使用循环神经网络优化动力解耦量子存储
本文介绍了一种新的动力学解偶序列，可用于量子计算和量子存储，以探究如何使 DD 序列抵抗不同类型的实验误差的影响，同时保持良好的解偶效率在不稳定的环境中。
Mar, 2011
本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。
Nov, 2018
通过优化动力学解耦脉冲序列的应用，我们在模型量子系统上进行了实验测量，证明了我们能够显著抑制量子位的错误率。我们通过实时反馈找到新的序列，并将这些序列与已有的序列进行比较，证明了这些本地优化的脉冲序列在测试中表现优于其他所有序列。
Dec, 2008
量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络，一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络，并允许在表达能力和高效可训练性之间进行折中，特别适用于量子硬件。我们通过将其应用于两个最近提出的模型族来展示该形式化方法的灵活性。第一个是具有有效可训练性但表达能力可能受限的交换块量子神经网络 (QNNs)。第二个是正交 (保持汉明权重) 量子神经网络，它在数据上提供了定义明确且可解释的转换，但在量子设备上进行大规模训练具有挑战性。密度交换块 QNNs 增加了容量，几乎没有梯度复杂度增加，而密度正交神经网络减少了梯度查询的复杂度，几乎没有性能损失。我们通过对具有超参数优化的合成平移不变数据和 MNIST 图像数据进行数值实验来支持我们的发现。最后，我们讨论了与后变分量量子神经网络、基于测量的量子机器学习和辍学机制之间的联系。
May, 2024
本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题，并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。
Oct, 2022
利用神经量子态的方法，我们提供了一种人工智能策略来模拟耦合非马尔可夫环境的开放量子系统的动力学，通过将神经量子态方法与含衰减耦合的二次量化量子主方程（DQME-SQ）结合起来，我们能够在显著减少动力学变量的同时实现与传统的层次方程相当的精度，为研究以前难以处理的非马尔可夫开放量子动力学在各个现代科学前沿领域提供了新的思路。
Apr, 2024