Training-efficient density quantum machine learning

量子机器学习需要强大、灵活且可高效训练的模型才能成功解决具有挑战性的问题。在这项工作中，我们提出了密度量子神经网络，这是一种学习模型，结合了一组可训练酉变换的随机化。这些模型使用参数化的量子电路推广了量子神经网络，并允许在表达能力和高效训练之间进行权衡，特别是在量子硬件上。我们通过将其应用于两个最近提出的模型族来展示形式主义的灵活性。第一个是交错块量子神经网络(QNNs)，它们可以高效地训练，但表达能力可能有限。第二个是正交（汉明重量保持）量子神经网络，它们在数据上提供明确定义且可解释的转换，但在量子设备上的大规模训练具有挑战性。密度交错QNNs通过最小化梯度复杂度开销提高容量，而密度正交神经网络则具有二次到常数梯度查询优势，且性能损失最小。我们在具有超参数优化的合成平移不变数据和MNIST图像数据上进行了数值实验以支持我们的发现。最后，我们讨论了与后变分量子神经网络、基于测量的量子机器学习和dropout机制的联系。

本文旨在提出一种新的量子机器学习模型，即密度量子神经网络，以解决量子机器学习中的灵活性和高效性问题。具体而言，本文试图通过随机化一组可训练的酉矩阵来推广参数化量子电路，从而实现在表达能力和高效训练之间的平衡。

本文提出了密度量子神经网络，通过随机化可训练的酉矩阵来推广参数化量子电路，实现量子机器学习中灵活性和高效性的平衡。

本文将提出的模型应用于两个最近提出的模型家族，并展示了其灵活性和高效性。本文在合成平移不变数据和MNIST图像数据上进行了数值实验，并进行了超参数优化来支持发现。此外，本文还讨论了该模型与其他量子神经网络模型的联系，以及与测量驱动的量子机器学习和dropout机制的关系。

最近的相关研究包括：1）量子神经网络；2）参数化量子电路；3）量子机器学习。