arXiv cs.AI· Hyojun Ahn, Joongheon Kim·· 3 天前AI 评分12
量子振幅嵌入中的数据重上传教程：每次上传如何将可达多项式阶数提高两阶
A Tutorial on Quantum Amplitude Embedding with Data Re-Uploading
AI 导读
这篇教程解释了数据重上传为振幅嵌入量子模型带来的增益：每次上传可将可达多项式阶数提高两阶。在单一可训练电路族和相同可训练参数预算下，重上传将四阶目标的测试决定系数从 0.689 提升至 0.883–0.975，六阶目标从 0.337 提升至 0.642–0.783，十组随机种子均成立。但在二次目标和手写数字任务上，一次上传仍是最佳选择，且每次额外上传都会降低分类器可容忍的门误差。
正文 · AI 翻译
摘要：振幅嵌入使变分量子模型能够用少量量子比特读取许多经典特征，但此时模型输出仅是归一化输入的一个二次型。数据重上传通过在可训练模块之间反复编码输入，可用于丰富此类模型。由于振幅嵌入的每一次额外上传都会重复一次代价高昂的态制备，因此必须在消耗门之前就了解一次上传能带来多少增益。本教程因此探讨以下问题：解释数据重上传为振幅嵌入模型增加了什么，以及增益有多大。我们用一种记号表示顺序重上传和带两份副本的并行重上传，并证明每次上传都会使可达多项式阶数提高二。在同一个可训练电路族和同一可训练参数预算下，仿真结果表明，在四阶目标上，重上传将测试决定系数从 0.689 提高到 0.883 至 0.975 之间；在六阶目标上，从 0.337 提高到 0.642 至 0.783 之间，且在全部十个随机种子上均如此。在二次型目标和手写数字上，一次上传仍是最佳选择，而每次额外上传都会降低分类器所能容忍的门误差。这些结果有助于设计者根据手头任务的多项式阶数来匹配上传次数。
| 评论： | 6 页，6 幅图，3 张表。已投稿至 ICEIC 2027 |
| 主题： | 量子物理（quant-ph）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.17836 [quant-ph] |
| （或 arXiv:2610.17836v1 [quant-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17836 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
发件人：Hyojun Ahn [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 06:56:29 UTC（677 KB）
来源：arXiv cs.AI · arxiv.org