21、量子计算与机器学习：变分电路与核方法的融合

量子计算与机器学习：变分电路与核方法的融合

1. 变分电路作为机器学习模型

1.1 量子门的图形表示

在量子计算中，单量子比特门 (G_{q2}) 和受控单量子比特门 (c_{q3}G_{q2}) 可以用神经网络的图形表示。这些门能将具有振幅向量 ((\alpha_0, \ldots, \alpha_7)^T) 的量子态转换为 ((\alpha’_0, \ldots, \alpha’_7)^T) 的量子态。其中，实线代表权重为 1 的连接，其他线样式表示不同的权重参数。相同样式的两条线表示对应的权重参数是绑定的，即它们始终具有相同的值。

1.2 时间演化编码作为指数激活

将变分电路解释为神经网络的第二种方法基于傅里叶形式。假设输入特征 (x_i \in [0, 2\pi[) 通过时间演化编码嵌入到量子态中，使用形式为 (e^{-ix_i G_i}) 的门，其中 (G_i) 是生成哈密顿量。

这样的变分电路可以写成三角和的形式：
[f_{\theta}(x) = \sum_{\omega \in \Omega} c_{\omega}(\theta) e^{i\omega x}]
这里，输入 (x \in R^N)，(\omega) 是频率向量。每个频率 (\omega_i) 由用于编码特征 (x_i) 的哈密顿量 (G_i) 的特征值之差确定。

我们可以将上述公式解释为具有一个隐藏层的神经网络：
[f_{w,W}(x) = w\phi(Wx) = \sum_{j = 1}^{J} w_j \phi(W_j x)]
其中，隐藏层激活函数为 (\phi(a) = e^{iax_i