QUANTITATIVE UNIVERSAL APPROXIMATION FOR NOISY QUANTUM NEURAL NETWORKS
创建于 更新于
摘要
本文在有噪声的 NISQ 情况下给出了针对以期望形式定义的目标函数（例如期权价格）的量化通用逼近定理，推导了依赖于电路尺寸与噪声保真度的非渐近误差界，并在去极化噪声模型下给出显式误差分解与硬件参数化公式，最后在 IBM 设备上用 Black–Scholes 期权定价做了数值与实机验证，且提出通过额外可训练线性层补偿去极化偏置的方法以恢复理想输出 [page::2][page::8][page::21].
