精选理由
这篇论文找到了混合量子神经网络训练不稳定的一个隐藏原因——测量值范围太小，并提出了一个简单的可学习缩放参数QMT来解决。实验在蛋白质分类和Fashion MNIST上都有效果。
标准Pauli测量下量子神经网络输出被约束在[-1,1]区间，导致交叉熵损失对logit差异敏感度不足，梯度被抑制。本文首次将这一效应定义为测量诱导logit收缩。提出可学习的量子测量温度（QMT）参数，在损失函数之前重新缩放量子测量输出，补偿物理测量范围限制。QMT不改变量子电路结构或测量算子。在荧光显微图像与六类Fashion MNIST实验中，QMT一致提升了logit分离度、梯度强度和训练稳定性，并提高了分类准确率。
AI 翻译 · 中文
标准Pauli测量下量子神经网络输出被约束在[-1,1]区间，导致交叉熵损失对logit差异敏感度不足，梯度被抑制。本文首次将这一效应定义为测量诱导logit收缩。提出可学习的量子测量温度（QMT）参数，在损失函数之前重新缩放量子测量输出，补偿物理测量范围限制。QMT不改变量子电路结构或测量算子。在荧光显微图像与六类Fashion MNIST实验中，QMT一致提升了logit分离度、梯度强度和训练稳定性，并提高了分类准确率。
Hybrid Quantum Neural Network (QNN) classifiers produce logits as expectation values of quantum measurement operators. For standard Pauli measurements, these outputs are intrinsically bounded to the interval [-1,1]. When…