量子态重构的投影梯度下降算法
我们在这篇论文中引入了一种改进的随机梯度下降方法,该方法综合了在黎曼优化的最新数值方法,旨在解决高维复杂结构问题中的量子过程测试问题。该方法通过数据驱动的方式实现了准确、数量级更快的结果,并且可以处理不完整的数据,并通过在量子计算机上表征了一个工程化的过程来展示我们的方法。
Apr, 2024
通过矩阵乘积态假设,提出了两种在一维量子系统中进行量子状态重构的方案,一种方案需要对恒定数量的子系统进行幺正操作,而另一种方案只需要进行局部测量及更复杂的后处理,两种方案仅依赖于线性数量的实验操作和多项式级别的经典后处理,可以无需任何先验假设地严格证明重构状态的准确性。
Jan, 2011
本文提出 ‘ NA-QST’ 算法,使用机器学习、粒子群优化和贝叶斯粒子滤波方法,降低了从 O(poly(n))到 O(log(n))的复杂度,使量子态重构的速度快了数百万倍,精度不受影响。同时讨论了在各类射影测量值的情况下的适应性。
Dec, 2018
我们提出将量子机器学习技术与量子态测量 (QST) 相结合,以提高 QST 的效率,通过综合研究了 QST 的多种方法,并实现了不同的量子机器学习方法,并在各种模拟和实验量子系统上展示了其有效性,包括多量子比特网络,结果表明,我们基于量子机器学习的 QST 方法可以以较少的测量次数实现高保真度 (98%),为实际量子信息处理应用提供了有希望的工具。
Aug, 2023
本论文基于压缩感知建立了量子态重构的方法,该方法仅需使用 Pauli 测量、快速的凸优化,稳健抗噪,适用于仅近似低秩的系统。在没有先验假设下,重构出的状态接近纯态。
Sep, 2009
本文介绍了一种基于低深度梯度测量和随机梯度下降的变分算法,可以在黑盒优化模型中显著更快地收敛于优解,而且在某些情况下,该算法使用梯度测量比基于估计目标函数本身的策略具有更快的收敛速度,这种算法可以在量子计算、优化和测量等领域发挥重要作用。
Jan, 2019
该论文开发了量子版本的迭代优化算法,并将其应用于具有单位范数约束的多项式优化问题中,通过量子算法处理高维问题可以在少数迭代步骤中取得良好效果。
Dec, 2016
本文提出了一种基于量子机器学习和优化方法的梯度下降算法,通过解决线性方程组问题,构建了一种基于 QRAM 数据结构模型的量子线性系统求解器,并应用于求解正定线性系统和权重最小二乘问题,具有较小的计算成本和内存需求。
Apr, 2017
本研究提出了量子自然梯度下降的量子概率论泛化作为用于变分量子电路的通用优化框架的一部分。优化动力学被解释为相对于量子信息几何学的最陡下降方向移动,相应于量子几何张量 (即 Fubini-Study 度量张量的实部)。该研究还提供了一种有效的算法,用于计算参数化量子电路的 Fubini-Study 度量张量的块对角近似,这也是该研究的一个独立的兴趣点。
Sep, 2019
本文介绍了一种新的多体量子系统特征提取技术 Matrix Product State tomography,它可以使用有效的方法来准确地估计一个广泛类别的量子系统状态,这对于研究大量子体系和验证量子仿真器和计算机非常有用。
Dec, 2016