Verbesserung der Trainierbarkeit von variationalen Quanten-Schaltungen durch Regularisierungsstrategien

In der Ära der rauschenden Quanten (NISQ) wurden variationale Quanten-Schaltungen (VQCs) in verschiedenen Bereichen breit angewendet, was die Überlegenheit von Quanten-Schaltungen gegenüber klassischen Modellen vorantreibt. Ähnlich wie klassische Modelle können reguläre VQCs durch verschiedene gradientenbasierte Methoden optimiert werden. Allerdings kann die Optimierung zu Beginn in öden Plateaus gefangen sein oder schließlich in Sattelpunkte während des Trainings verwickelt werden. Diese Gradient-Probleme können die Trainierbarkeit von VQCs erheblich beeinträchtigen. In dieser Arbeit schlagen wir eine Strategie vor, die Modellparameter mit Vorwissen über die Trainingsdaten und die Diffusion von Gaußschen Rausch reguliert. Wir führen Ablationsstudien durch, um die Wirksamkeit unserer Strategie über vier öffentliche Datensätze zu überprüfen, und zeigen, dass unsere Methode die Trainierbarkeit von VQCs gegenüber den oben genannten Gradient-Problemen verbessern kann.