arXiv cs.AI· Hoang M. Ngo, Quan Nguyen, Jung Taek Seo, Wanli Xing, My T. Thai·· 10 小时前AI 评分20
有限采样预算下量子电路Born机器的噪声正则化训练
Noise-regularized training of quantum circuit Born machines under a finite shot budget
AI 导读
研究证明，用最大均值差异训练的量子电路Born机器（QCBM），其泛化差距受噪声模型可达分布复杂度约束；加扰的局部Pauli噪声会压缩该复杂度，但使模型偏向均匀分布，因此残余噪声可充当正则项且最优强度可能是中间值。
正文 · AI 翻译
摘要：量子线路玻恩机（QCBM）能够学习经典方法难以采样的分布，但其价值取决于能否从有限的训练数据中进行泛化。本文研究硬件噪声如何影响这种泛化。我们证明，对于任何噪声过程，使用最大均值差异训练的 QCBM 的泛化差距，受限于含噪模型所能达到的分布的复杂度。置乱局域泡利噪声会收缩这种复杂度，但会使模型偏向均匀分布，因此残余噪声起到正则化器的作用，其最优强度可能处于中间水平。我们提出 GENIE，这是一个在固定执行预算内，通过有上限的误差缓解实现选定噪声水平，并在训练期间从留出数据中选择该水平的框架，且具有可证明有界的遗憾。在合成数据和普查数据上的模拟中，GENIE 的表现接近四种噪声控制策略中的最佳者，而每一种固定噪声水平在许多设置下都表现不足。
| 主题： | 量子物理（quant-ph）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.06630 [quant-ph] |
| （或 arXiv:2611.06630v1 [quant-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06630 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hoang Ngo [查看电子邮件]
[v1]
2026年11月4日星期三 15:13:20 UTC（1,094 KB）
来源：arXiv cs.AI · arxiv.org