Гибридные квантовые нейронные сети обычно состоят из квантового слоя — вариационной квантовой схемы, и классического слоя — нейронной сети глубокого обучения, называемой многослойным персептроном. Подобная архитектура позволяет исследователям изучать сложные шаблоны и зависимости из входных данных гораздо легче, чем при традиционных методах машинного обучения.
Авторы статьи сосредоточились на параллельных гибридных квантовых нейронных сетях. В таких сетях квантовый и классический слои одновременно обрабатывают один и тот же вход и затем производят совместный вывод — линейную комбинацию выходов из обоих слоев.
Результаты обучения показывают, что параллельная гибридная сеть может превзойти по эффективности как ее квантовый, так и классический слой. Обученная на двух наборах данных с добавлением шума высокой частоты, гибридная модель показывает меньшие потери при обучении, предоставляет лучшие прогнозы и оказывается более приспособленной к сложным задачам.
Командная работа двух слоев персептрона
Квантовый и классический слои оба вносят свой вклад в эффективное взаимодействие двух систем. Квантовый слой отображает гладкие периодические части, в то время как классический многослойный персептрон корректирует добавления шума. Успех параллельной гибридной сети зависит от настройки и коррекции темпа обучения и других параметров, таких как количество слоев и нейронов в каждом слое многослойного перцептрона.
Для увеличения количества выходных данных во время обучения вариационные квантовые схемы корректируют параметры квантовых вентилей, контролирующих состояние кубитов, а многослойные персептроны в основном настраивают силу связей, или так называемые веса, между нейронами.

Модель принимает входные данные и одновременно передает их в квантовый и классический слои для параллельной обработки, а затем объединяет выходные данные обоих слоев для получения окончательного результата.
Учитывая, что квантовые и классические слои обучаются с разной скоростью, исследователи изучили как соотношение вклада каждого слоя влияет на производительность гибридной модели и обнаружили, что корректировка темпа обучения важна для поддержания сбалансированного соотношения вкладов. Создание настраиваемого планировщика темпа обучения ляжет в основу будущих исследований, так как планировщик может улучшить скорость и производительность гибридной модели.
Новый подход представляет собой перспективное направление для дальнейших исследований в области квантового машинного обучения, и команде предстоит провести больше экспериментов для увеличения возможностей своей модели и ее применения в различных приложениях.