量子卷积神经网络的教训
原文中文,约500字,阅读约需2分钟。发表于: 。从分析量子卷积神经网络(QCNNs)中我们得出以下结论:1)利用量子数据可以通过隐藏特征映射来嵌入物理系统参数;2)它们在量子相识别方面的高性能可以归因于在地面态嵌入期间产生非常适合的基函数集,其中旋转模型的量子临界性导致具有快速变化特征的基函数;3)QCNNs...
量子卷积神经网络(QCNNs)利用量子数据嵌入物理系统参数,表现出高性能的量子相识别能力。QCNNs的汇集层选择有助于形成高性能决策边界的基函数。QCNN模型的泛化依赖于嵌入类型,基于傅立叶基准的旋转特征映射需要精心设计。基于有限测量次数的QCNN偏爱地面态嵌入和相关的物理信息模型。地面态嵌入可用于流体动力学问题的QCNN,可良好泛化并可训练。