Vai al contenuto
Quantum.world

Ricerca

Addestrare le reti neurali quantistiche un job alla volta

Quando si accede a un processore quantistico attraverso una coda cloud, un algoritmo variazionale paga ogni andata e ritorno, e un singolo andata e ritorno può contenere molti circuiti.

Addestrare le reti neurali quantistiche un job alla volta
arXiv
2611.16365
Pubblicato
2026-11-12
Autori
Muhammad Faryad, Rabab Alomairy

Abstract degli autori

Quando si accede a un processore quantistico attraverso una coda cloud, un algoritmo variazionale paga ogni andata e ritorno, e un singolo andata e ritorno può contenere molti circuiti. L’ottimizzatore classico determina quindi quanto si apprende per job, non soltanto per shot. Studiamo questo aspetto per un classificatore basato su una rete neurale quantistica. Confrontiamo ottimizzatori a cui vengono assegnati lo stesso numero di job e lo stesso numero di shot per job, che differiscono soltanto per il modo in cui riempiono ciascun job. Questo confronto considera l’addestramento quantistico-classico ibrido come un problema di efficienza di esecuzione: come ottenere progressi utili nell’ottimizzazione da ogni interazione costosa con un processore quantistico. Questa prospettiva collega la progettazione degli ottimizzatori all’ammortamento dell’overhead e all’uso efficiente delle risorse degli acceleratori. Una trasposizione diretta di una ricerca a pattern in batch, che funzionava per l’algoritmo quantistico approssimato di ottimizzazione, si blocca quando il modello ha qualche decina di parametri. Ciò che si può trasferire è il principio che ne sta alla base: riempire ogni job con un batch di vettori di parametri definito prima dell’invio del job. Per i circuiti costruiti con rotazioni di Pauli, il batch naturale è lo stencil parameter-shift. Mostriamo che il suo errore di gradiente diminuisce in modo inversamente proporzionale al numero di shot per job, mentre l’errore dei metodi di perturbazione simultanea (SPSA) ha un limite minimo che nessun numero di shot può eliminare. Nelle simulazioni, l’addestramento parameter-shift in batch richiede da un quinto alla metà dei job necessari a SPSA, con 24-48 parametri, e l’ordine dei risultati si mantiene a due livelli di rumore. Una nuova ricerca di stencil che tiene conto della struttura interpreta lo stesso tipo di righe come sinusoidi e supera a sua volta SPSA. Sul processore ibm_fez di IBM, in tre esecuzioni intercalate con sei e otto qubit, l’ottimizzatore in batch ha raggiunto la loss finale di addestramento di SPSA quando a quest’ultimo restavano da svolgere da 4 a 20 dei suoi 50 job. La sua accuratezza sul test set era chiaramente superiore con otto qubit; con sei qubit la differenza non era significativa. Tutti i dati hardware possono essere ricalcolati a partire dagli shot grezzi.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv