精选理由
量子机器学习团队终于有了一个能大幅降低测量成本的梯度估计框架——QUIVER在60量子比特规模上效率提升数个数量级，做量子电路优化的研究者可以直接用。
训练参数化量子电路（PQC）时，梯度估计的测量成本是主要瓶颈，传统参数平移规则的成本随参数数量线性增长。本文提出基于前向自动微分的梯度估计框架，通过平均可调数量的随机方向导数获得无偏梯度，并统一了SPSA、随机坐标下降和参数平移规则。在此框架下，作者推导出QUIVER（量子迭代V自适应估计规则）优化器，实现最小测量成本分配。数值实验表明，前向梯度在训练含60量子比特、1770参数的量子神经网络时，效率比参数平移规则高出数个数量级。QUIVER在量子近似优化算法和变分量子本征求解器任务上，也优于iCANS和gCANS等测量节俭优化器。
AI 翻译 · 中文
训练参数化量子电路（PQC）时，梯度估计的测量成本是主要瓶颈，传统参数平移规则的成本随参数数量线性增长。本文提出基于前向自动微分的梯度估计框架，通过平均可调数量的随机方向导数获得无偏梯度，并统一了SPSA、随机坐标下降和参数平移规则。在此框架下，作者推导出QUIVER（量子迭代V自适应估计规则）优化器，实现最小测量成本分配。数值实验表明，前向梯度在训练含60量子比特、1770参数的量子神经网络时，效率比参数平移规则高出数个数量级。QUIVER在量子近似优化算法和变分量子本征求解器任务上，也优于iCANS和gCANS等测量节俭优化器。
Training parameterised quantum circuits (PQCs) on quantum hardware is bottlenecked by the measurement cost of gradient estimation, which under the parameter-shift rule scales linearly in the number of trainable parameter…