Quantum Circuit Training with Growth-Based Architectures

要約

この研究では、トレーニング中にパラメータ化された量子回路 (PQC) の深さを段階的に増加させ、過剰適合を軽減し、モデルの複雑さを動的に管理する成長ベースのトレーニング戦略を導入しています。
私たちは、ブロック成長、シーケンシャル特徴マップ成長、およびインターリーブ特徴マップ成長という 3 つの異なるメソッドを開発しています。これらは、再アップローダー ブロックを PQC に適応的に追加し、トレーニング ニーズに応じてモデルのアクセス可能な周波数スペクトルを拡張します。
このアプローチにより、PQC は騒々しい環境でもより安定した収束と汎化を達成できるようになります。
回帰タスクと 2D ラプラス方程式に関するメソッドを評価し、動的成長メソッドが従来の固定深さのアプローチよりも優れており、最終損失の低減と実行間の分散の低減を達成していることを示しています。
これらの発見は、表現力と安定性のバランスが重要である量子科学機械学習 (QSciML) アプリケーションに対する成長ベースの PQC の可能性を強調しています。

要約(オリジナル)

This study introduces growth-based training strategies that incrementally increase parameterized quantum circuit (PQC) depth during training, mitigating overfitting and managing model complexity dynamically. We develop three distinct methods: Block Growth, Sequential Feature Map Growth, and Interleave Feature Map Growth, which add reuploader blocks to PQCs adaptively, expanding the accessible frequency spectrum of the model in response to training needs. This approach enables PQCs to achieve more stable convergence and generalization, even in noisy settings. We evaluate our methods on regression tasks and the 2D Laplace equation, demonstrating that dynamic growth methods outperform traditional, fixed-depth approaches, achieving lower final losses and reduced variance between runs. These findings underscore the potential of growth-based PQCs for quantum scientific machine learning (QSciML) applications, where balancing expressivity and stability is essential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google