学习算术电路
自动电路发现的一种有效且可扩展的解决方案是基于优化问题的边缘修剪，该方法在 GPT-2 模型中找到使用少于一半边缘的电路，并与之前的方法在速度和质量上表现出优势。
Jun, 2024
我们介绍并实验测试了一种基于实际硬件的训练程序得出的预期性能估计来排名逻辑上等效的量子电路的机器学习方法。我们将该方法应用于布局选择问题，在给定设备上将抽象的量子比特分配给物理比特。在 IBM 硬件上进行的电路测量表明，逻辑上等效的布局的最大和中位保真度可以相差一个量级。我们引入了一个用于排名的电路得分，该得分以基于物理的现象学误差模型进行参数化，其参数通过使用测量数据集上的排名损失函数进行拟合。数据集包括在 IBM 硬件上执行的具有多样结构的量子电路，使得该模型能够将实际设备噪声和误差的上下文特征纳入其中，而无需执行指数成本的重建协议。我们在 16 比特 ibmq_guadalupe 设备上进行模型训练和执行，并将我们的方法与两种常见方法进行比较：随机布局选择和名为 Mapomatic 的公开基准。我们的模型始终优于这两种方法，预测的布局噪声更低，性能更高。特别地，相对于基线方法，我们的最佳模型使选择错误减少了 1.8 倍，而相对于随机选择则减少了 3.2 倍。除了提供一种新的预测性量子表征、验证和验证方法外，我们的结果还揭示了背离简单代理测量所推断性能估计的依赖上下文和相干门错误的特定方式。
Apr, 2024
研究了一种正则化的基于得分的评估器族，可以从高维数据中学习多元正态分布的有向无环图（DAG）的结构，通过损失函数惩罚最小二乘估计，支持多种正则化方法，并且首次提出了在高维条件下基于得分的有向无环图结构学习的有限样本保证。
Nov, 2015
本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法，该模型将一个节点的条件分布模型化为多元逻辑回归，通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。
Mar, 2014
本文介绍了一种用于电路设计的监督式预训练方法，利用神经网络（NN）和图神经网络（GNN），以预测输出等效电路的直流电压，提升了新电路结构或未见过的预测任务的可适应性和样本效率。
Mar, 2022
本研究提出了一种新的方法，利用概率电路模型（如 Sum Product Networks）的可处理性，在一定类型的密度函数下，计算 ELBO 梯度的情况下，不需要采样即可精确计算。该方法在三种类型的图形模型上展示了其可行性，并证明了概率电路是离散图形模型的变分推断的有前途的工具，因为它们结合了可处理性和表达性。
Oct, 2020
我们提出了一个用于设计有效算法的通用框架，适用于无监督学习问题，如高斯混合和子空间聚类。我们的框架基于元算法，在存在噪声的情况下利用下界学习算术电路。其中一个关键组成部分是用于称为鲁棒向量空间分解的新问题的高效算法。我们展示了当某些矩阵具有足够大的最小非零奇异值时，我们的元算法表现良好。我们猜测这个条件在我们问题的平滑实例中成立，因此我们的框架可以在平滑设置中为这些问题提供有效算法。
Nov, 2023
神经网络的计算能力与图神经网络 (GNN) 结构相对应，不仅局限于聚合 - 合并的 GNN 或其他特定类型，我们通过多样的激活函数与实数上的算术电路之间建立了精确的对应关系。在我们的结果中，网络的激活函数变成了电路中的门类型。我们的结果适用于常定深度电路和网络的各种常用激活函数，在统一和非统一的情况下都成立。
Feb, 2024