Task-aligned spectral inductive biases in parameterized quantum circuits
Pubblicata su AIChronos il · fonte del · Felix Frohnert, Adrián Pérez-Salinas, Sebastian Lange, Marcus Schwaebisch, Evert van Nieuwenburg, Vedran Dunjko
Lo studio esamina i circuiti quantistici parametrizzati con riuploading dei dati per comprendere come la loro architettura fornisca bias induttivi allineati al compito. Si dimostra che codificare una query spettrale fissa può modificare l'ipotesi del circuito sul segnale modulando il modo in cui le frequenze esistenti vengono combinate, senza introdurre nuove informazioni dipendenti dai campioni. Questo meccanismo è particolarmente efficace per compiti basati su trasformate di Fourier non uniformi, dove la geometria di acquisizione determina la query specifica. Nei test su piccoli compiti spettrali e simili al radar, queste query allineate migliorano l'apprendimento da dati limitati rispetto a circuiti con parametri equivalenti ma senza query o con query disallineate.
- L'architettura dei circuiti quantistici può incorporare bias induttivi specifici per il compito attraverso la codifica di query spettrali fisse.
- La modulazione delle frequenze del segnale avviene combinando le informazioni esistenti senza aggiungere dati dipendenti dai campioni durante l'inferenza.
- I compiti basati su trasformate di Fourier non uniformi beneficiano significativamente dell'allineamento tra la geometria di acquisizione e la query del circuito.
- L'approccio supera i limiti dei circuiti con parametri equivalenti ma privi di una struttura spettrale allineata, migliorando le prestazioni su dati scarsi.
- Il lavoro offre un percorso metodologico per progettare bias induttivi validati partendo dalla nota struttura spettrale del compito target.
Perché conta. Sebbene il dominio sia la computazione quantistica, i principi di 'task-aligned inductive biases' e l'uso efficiente della rappresentazione delle frequenze (simile agli embedding) sono rilevanti per gli sviluppatori LLM che progettano architetture specializzate o agenti con vincoli hardware severi. Comprendere come strutturare le ipotesi del modello senza introdurre rumore superfluo è cruciale per ottimizzare modelli locali su dispositivi edge.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.