深度学习与量子纠缠:基础联系及其对网络设计的影响
本文研究表明现代深度学习架构 —— 深度卷积和递归网络能够有效地表示高度纠缠的量子系统,与基于张量网络的表示方法相比,这是因为网络操作中信息的固有重用是它们区别于标准张量网络表示的关键特征,并提高了它们的纠缠容量。
Mar, 2018
该研究论文提出了一种基于量子计算的卷积神经网络(QCNN)算法,能够应用和训练深度 CNN,并通过引入非线性和池化操作打破传统的限制,以更高效地进行图像识别,同时也介绍了新的量子测量及概率采样算法。
Nov, 2019
本文采用量子物理的理论工具,研究了数据分布在神经网络中应用的适宜性问题,提出了一种新的局部连接神经网络适用性的预处理方法,并在多个数据集上进行了实验验证。
Mar, 2023
从分析量子卷积神经网络(QCNNs)中我们得出以下结论:1)利用量子数据可以通过隐藏特征映射来嵌入物理系统参数;2)它们在量子相识别方面的高性能可以归因于在地面态嵌入期间产生非常适合的基函数集,其中旋转模型的量子临界性导致具有快速变化特征的基函数;3)QCNNs 的汇集层负责选择那些可以有助于形成高性能决策边界的基函数,学习过程对应调整测量,使得少量量子比特算子映射到全寄存器观测量;4)QCNN 模型的泛化强依赖于嵌入类型,而基于傅立叶基准的旋转特征映射需要精心设计;5)基于有限测量次数的 QCNN 的准确性和泛化能力偏爱地面态嵌入和相关的物理信息模型。我们通过模拟展示了这些观点,我们的结果为感知应用中与物理过程分类有关的问题提供了启示。最后,我们展示了选择适当的地面态嵌入可以用于流体动力学问题的 QCNN,可以良好泛化并经过验证可训练。
Aug, 2023
本文介绍了一种新的变换层:quanvolutional layer,它可以通过在局部应用数个随机量子电路的方式对输入数据进行变换,类似于卷积过滤层。在 MNIST 数据集上的实验结果表明,用 QNN 可以比传统 CNN 享有更高的测试集精度和更快的训练速度。
Apr, 2019
本文提出了一种混合量子 - 经典卷积神经网络框架(QCCNN),它结合了卷积神经网络的重要特征以及量子计算特有的优势,适用于当前嘈杂的中尺度量子计算机,并通过 Tetris 数据集的分类任务证明了其优越性能。
Nov, 2019
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法,并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。
Sep, 2020
我们介绍了一种新型的基于卷积神经网络的量子机器学习模型,并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术,具有高效的训练和实现能力,并展示了两个例子来证明其潜力。首先,我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态,并发现其在整个参数范围内都能复制相图。其次,我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案,并发现其显著优于已知的可比较复杂度的量子码。最后,我们讨论了 QCNN 的潜在实验实现和拓展。
Oct, 2018
在深度学习和量子计算领域的交叉研究中,量子神经网络、量子卷积网络和量子启发式经典深度学习算法被提出并得到广泛关注。本文综述了该领域各种研究的技术贡献、优点和相似之处。同时,作者简要介绍了最近在量子启发式经典深度学习算法以及在自然语言处理中的应用取得的进展。
May, 2020