构建高效的量子神经网络是量子计算和机器学习交叉领域研究的一个有前途的方向。TerraQuantumAG的一个团队设计了一个并行混合量子神经网络，并证明他们的模型是“量子机器学习的强大工具”。这项研究发表在《智能计算》上。
混合量子神经网络通常由量子层(变分量子电路)和经典层(称为多层感知器的深度学习神经网络)组成。这种特殊的架构使他们能够比传统的机器学习方法更轻松地从数据输入中学习复杂的模式和关系。
在本文中，作者重点研究并行混合量子神经网络。在此类网络中，量子层和经典层同时处理相同的输入，然后产生联合输出——两层输出的线性组合。并行网络可以避免经常影响顺序网络的信息瓶颈，其中量子层和经典层相互馈送数据并交替处理数据。
训练结果表明，作者的并行混合网络可以优于其量子层或经典层。在添加了高频噪声的两个周期性数据集上进行训练后，混合模型显示出较低的训练损失，产生更好的预测，并且更适合复杂问题和新数据集。
量子层(变分量子电路或VQC)和经典层(多层感知器或MLP)在数据建模方面的表现比这两个层组合在并行混合网络(PHN)中时的表现要差。图片来源：MOKORDZANGANEH等人。
量子层和经典层都有助于这种有效的量子经典相互作用。量子层，特别是变分量子电路，映射平滑的周期性部分，而经典的多层感知器则填充不规则的噪声添加。变分量子电路和多层感知器都被认为是“通用逼近器”。
为了在训练期间最大化输出，变分量子电路调整控制量子位状态的量子门的参数，而多层感知器主要调整神经元之间的连接强度，或所谓的权重。
同时，并行混合网络的成功取决于学习率和其他超参数的设置和调整，例如多层感知器中的层数和每层神经元的数量。
鉴于量子层和经典层的学习速度不同，作者讨论了各层的贡献率如何影响混合模型的性能，并发现调整学习率对于保持平衡的贡献率很重要。因此，他们指出构建自定义学习率调度器是未来的研究方向，因为这样的调度器可以提高混合模型的速度和性能。