Un método de codificación de amplitud repetitiva para mejorar la capacidad de mapeo de las redes neuronales cuánticas

Área de la Ciencia:

• La computación cuántica
• Aprendizaje automático
• Inteligencia artificial

Sus antecedentes:

• Las redes neuronales cuánticas (QNNs) son un área de rápido desarrollo en el aprendizaje cuántico de máquinas.
• Las QNN actuales enfrentan limitaciones en la capacidad de mapeo debido a la naturaleza lineal de las puertas cuánticas utilizadas para el mapeo de características.
• La mejora de la capacidad de mapeo de las QNN es crucial para su mayor aplicabilidad.

Objetivo del estudio:

• Proponer y evaluar un nuevo método de codificación de amplitud repetitiva para las QNN.
• Mejorar la capacidad de mapeo de datos de las QNN más allá de las transformaciones lineales existentes.
• Demostrar el rendimiento superior del método propuesto en comparación con las técnicas de codificación tradicionales.

Principales métodos:

• Se introduce un método de codificación de amplitud repetitiva, que codifica amplitudes de probabilidad de múltiples bloques de qubits mediante la reutilización de datos clásicos.
• El método propuesto se probó utilizando el conjunto de datos MNIST para comparar su rendimiento con los métodos de codificación existentes.
• La eficacia se validó además en conjuntos de datos de identificación litológica de yacimientos, IRIS y clasificación WINe.

Principales resultados:

• La codificación de amplitud repetitiva demostró un rendimiento superior a otros métodos cuando se fijó el número de clases.
• A medida que el número de clases aumentaba con un número fijo de capas ocultas, la ventaja de rendimiento de la codificación de amplitud repetitiva se hizo más pronunciada.
• El método QNN propuesto mostró adaptabilidad y un rendimiento de clasificación superior en comparación con las redes neuronales clásicas en diversos conjuntos de datos.

Conclusiones:

• El método de codificación de amplitud repetitiva mejora significativamente la capacidad de mapeo de las QNN.
• Este nuevo enfoque ofrece una solución prometedora para mejorar el rendimiento de QNN en diversas tareas de clasificación.
• El método muestra potencial para aplicaciones prácticas en campos como la exploración de petróleo y gas y el aprendizaje automático general.