Исследование и разработка квантовой рекуррентной нейронной сети для обучения

Аннотация: Квантовая нейронная сеть (КНС) – одно из перспективных направлений, в котором шумные квантовые устройства среднего масштаба (ШКУ) в краткосрочной перспективе могут найти выгодное применение по сравнению с классическими ресурсами. Рекуррентные нейронные сети являются наиболее фундаментальными сетями для последовательного обучения, но до сих пор отсутствует каноническая модель квантовой рекуррентной нейронной сети (КРНС), что, безусловно, ограничивает исследования в области квантового глубокого обучения. В работе предложен новый тип КРНС, который был бы хорошим кандидатом в качестве канонической модели КРНС, где квантовые рекуррентные блоки (КРБ) строятся аппаратно-эффективным способом, а КРНС строится путем стекирования КРБ в шахматном порядке, что может значительно снизить требования алгоритма в отношении когерентного времени квантовых устройств. То есть КРНС намного доступнее на устройствах ШКУ. Численные эксперименты показывают, что наша КРНС обеспечивает гораздо лучшую производительность в точности прогнозирования (классификации) по сравнению с классической РНС и современными моделями КНС для последовательного обучения и может предсказывать изменяющиеся детали данных временной последовательности.

Ключевые слова: квантовая нейросеть; запутанность; модель квантового вычислителя; квантовый параллелизм; кубит.

S.M. Gushanskiy, V.S. Potapov

Research and development of a quantum recurrent neural network for learning

Summary: Quantum neural network (QNN) is one of the promising areas in which noisy medium-scale quantum devices (MCD) can find advantageous applications in the short term compared to classical resources. Recurrent neural networks are the most fundamental networks for sequential learning, but there is still no canonical model of a quantum recurrent neural network (QRNN), which certainly limits research in the field of quantum deep learning. In the present paper, a new type of QRNS is proposed that would be a good candidate as a canonical QRNN model, where quantum recurrent blocks (QRB) are built in a hardware-efficient way, and QRNN are constructed by stacking QRB in a checkerboard pattern, which can significantly reduce the algorithm’s requirements with respect to coherent time of quantum devices. That is, QRNN is much more accessible on MCD devices. Numerical experiments show that our QRNN provides much better performance in prediction (classification) accuracy compared to classical RNN and state-of-the-art QNN models for sequential training and can predict changing details of time series data.

Keywords: quantum neural network; confusion; quantum computer model; quantum parallelism; qubit.

DOI: 10.34219/2078-8320-2023-14-2-23-26