跳到正文
arXiv cs.AI· Valeria Repetto, Romina D'Aurizio, Piero Farinelli·· 10 小时前AI 评分20

Soft-MoQE:用固定量子特征图混合实现混合量子-经典学习

Soft Mixture of Quantum Experts for Hybrid Quantum-Classical Learning

AI 导读

研究者提出 Soft-MoQE,一种软混合量子专家架构,用输入相关的固定量子特征图选择与组合替代变分量子训练,由经典门控网络为每个数据点学习各嵌入的权重。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:量子机器学习(QML)作为一种可能构建经典模型难以复现的特征表示的途径,正受到越来越多的关注。然而,基于可训练参数化量子电路的近期 QML 架构仍受限于有限的硬件资源、噪声以及诸如贫瘠高原等严峻的优化难题。在本工作中,我们提出 Soft-MoQE,一种软量子专家混合架构,它以依赖输入的选择和固定量子特征映射的组合来替代变分量子训练。该模型由一组异构的不可训练量子电路池(每个电路定义一种不同的嵌入)和一个经典门控网络组成,后者学习如何为每个数据点对这些嵌入进行加权。我们在三个经 PCA 降维的任务上对 Soft-MoQE 进行了基准测试:MNIST 奇偶校验、MNIST 10 分类和 FashionMNIST。Soft-MoQE 优于单一最佳专家、所有专家的均匀平均以及线性基线,取得了与可训练量子神经网络相当的任务相关性能,且无需优化任何量子参数,量子训练成本降低了数个数量级。对类别条件专家使用情况的分析表明,学习到的路由为每个输入组合了少数几个专家,其选择取决于类别。这些结果支持将固定量子电路之间的学习路由作为混合 QML 的一种可训练性感知设计原则。
评论: 15 页,6 幅图
主题: 量子物理(quant-ph);人工智能(cs.AI)
引用为: arXiv:2611.24798 [quant-ph]
  (或此版本的 arXiv:2611.24798v1 [quant-ph])
  https://doi.org/10.48550/arXiv.2611.24798

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Valeria Repetto [查看邮箱]
[v1] 2026 年 11 月 18 日星期三 17:41:45 UTC(2,689 KB)

来源:arXiv cs.AI · arxiv.org