微分在量子机器学习中的参数平移规则.docVIP

微分在量子机器学习中的参数平移规则

一、量子机器学习中的微分需求

在经典机器学习中，梯度下降等优化算法依赖于对模型参数的微分计算，通过不断调整参数来最小化损失函数。量子机器学习（QuantumMachineLearning,QML）作为经典机器学习与量子计算的交叉领域，同样需要对量子模型的参数进行优化，这就引出了量子微分的问题。

量子模型通常由量子电路构成，电路中的参数（如旋转角度、耦合强度等）决定了量子态的演化和测量结果。为了优化这些参数，我们需要计算损失函数关于参数的梯度。然而，量子系统的特性使得传统的微分方法难以直接应用，因此需要开发适用于量子场景的微分技术，参数平移规则（ParameterShiftRule）便是其中一种重要方法。

二、参数平移规则的基本原理

2.1单参数情况

参数平移规则的核心思想是利用量子门的对称性，通过在参数的不同取值处进行量子测量，来计算参数的导数。对于单参数的量子门，考虑一个参数化量子门$U(\theta)$，其对应的厄米生成元为$H$，即$U(\theta)=e^{-i\thetaH}$。

假设我们要计算可观测量$O$在量子态$|\psi(\theta)\rangle=U(\theta)|\psi_0\rangle$下的期望值$f(\theta)=\langle\psi(\theta)|O|\psi(\t