# Post-variational quantum neural networks

**Authors:** Po-Wei Huang, Patrick Rebentrost  
**arXiv:** [2307.10560](https://arxiv.org/abs/2307.10560)  
**Date:** 2023-07-20  
**Summary page:** https://www.summarizepaper.com/fr/arxiv-id/2307.10560v1/

## Key points

- Les ordinateurs quantiques actuels ne peuvent pas encore exécuter des algorithmes quantiques tolérants aux erreurs, mais une approche hybride combinant informatique quantique et classique avec des algorithmes variationnels est possible.
- Les chercheurs discutent des "stratégies post-variationnelles" pour optimiser les modèles quantiques en déplaçant les paramètres ajustables du calcul quantique vers le calcul classique.
- Différentes stratégies et principes de conception sont examinés pour la construction de circuits quantiques individuels, optimisés avec une programmation convexe.
- Les auteurs explorent les conceptions architecturales des réseaux neuronaux quantiques post-variationnels et analysent la propagation des erreurs d'estimation dans ces réseaux neuronaux.
- L'algorithme développé peut être appliqué à des applications du monde réel telles que la classification d'images de chiffres manuscrits, avec une précision de classification de 96%.
- Les auteurs Po-Wei Huang et Patrick Rebentrost ont publié un article intitulé "Réseaux neuronaux quantiques post-variationnels" qui explore le potentiel de l'informatique quantique par rapport aux supercalculateurs classiques actuels.

## Summary

Les auteurs Po-Wei Huang et Patrick Rebentrost ont publié un article intitulé "Réseaux neuronaux quantiques post-variationnels" qui explore le potentiel de l'informatique quantique par rapport aux supercalculateurs classiques actuels. Bien que les ordinateurs quantiques actuels ne soient pas suffisamment avancés pour exécuter des algorithmes quantiques tolérants aux erreurs, une approche hybride combinant informatique quantique et classique avec des algorithmes variationnels peut être utilisée. Cependant, cette méthode peut rencontrer des problèmes de plateau stérile, entraînant une convergence lente des techniques d'optimisation basées sur les gradients. Dans cet article, les chercheurs discutent des "stratégies post-variationnelles" qui déplacent les paramètres ajustables du calcul quantique vers le calcul classique, en optant pour des stratégies d'ensemble lors de l'optimisation des modèles quantiques. Ils examinent différentes stratégies et principes de conception pour la construction de circuits quantiques individuels, où les ensembles résultants peuvent être optimisés avec une programmation convexe. De plus, ils explorent les conceptions architecturales des réseaux neuronaux quantiques post-variationnels et analysent la propagation des erreurs d'estimation dans ces réseaux neuronaux. Enfin, les auteurs démontrent que leur algorithme peut être appliqué à des applications du monde réel telles que la classification d'images de chiffres manuscrits, atteignant une précision de classification de 96%. Cette recherche ouvre la voie à de nouvelles perspectives dans le domaine émergent de l'informatique quantique et offre des solutions prometteuses pour surmonter les limitations matérielles actuelles.