深度量子神经网络中梯度测量效率与表达能力的权衡
原文中文，约2100字，阅读约需5分钟。
📝
内容提要
本文探讨了量子神经网络（QNN）的可训练性和优化方法，包括基于带限傅里叶展开的模型、元优化算法和混合量子-经典方案。研究表明，QNN在高噪声环境下仍能有效收敛，并通过信息几何工具定义其表达能力，展示了QNN在训练效率和性能上的优势。
❓
Q&A
量子神经网络（QNN）如何提高训练效率？
量子神经网络通过引入随机化的量子随机梯度下降技术，消除了样本复制的需要，从而提高了数据效率和训练效率。
什么是密度量子神经网络？
密度量子神经网络是一种融合可训练酉矩阵的随机化学习模型，适用于量子硬件，允许在表达能力和高效可训练性之间进行折中。
QNN在高噪声环境下的表现如何？
研究表明，QNN在高噪声环境下仍能有效收敛于有用参数，显示出其在状态辨别方面的优势。
如何定义量子神经网络的表达能力？
量子神经网络的表达能力通过信息几何工具定义，展示了其在有效维度和训练能力上的优势。
元优化算法在量子神经网络中的作用是什么？
元优化算法通过对量子电路参数进行优化，避免了经典梯度优化的局限性，从而提高了训练的稳定性和效率。
混合量子-经典方案的优势是什么？
混合量子-经典方案能够构建可学习的量子神经网络，并证明其可以作为差分私有模型，提升了模型的实用性。
🏷️
