利用变分自动编码器学习困难量子分布

Oct, 2017

利用变分自动编码器学习困难量子分布

Learning hard quantum distributions with variational autoencoders

Andrea Rocchetto, Edward Grant, Sergii Strelchuk, Giuseppe Carleo, Simone Severini

TL;DR研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。

Abstract

Studying general quantum many-body systems is one of the major challenges in modern physics because it requires an amount of computational resources that scales exponentially with the size of the system.Simulating the evolution of a state, or even storing its description, rapidly becom

quantum many-body systems machine learning neural networks probability distributions quantum hardware

发现论文，激发创造

量子变分自编码器

使用量子玻尔兹曼机实现的量子变分自编码器（QVAE）比仅涉及生成过程中的离散变量的相似方法在 MNIST 数据集上实现了最先进的性能。将 QBM 放置在 VAE 的潜在空间中将充分发挥当前和下一代量子计算机作为采样设备的潜力。

Feb, 2018

用深度自回归模型高效变分模拟多体量子系统

使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。

Feb, 2019

基于深度学习的变分自编码器用于光子的分类

基于深度学习的变分自编码器方法可用于光子统计特征到低维度的映射，实现在光子计数较低的情况下准即时分类，同时维持分类准确性并能在检测质量差的情况下改进光子和光源的分类。

May, 2024

学习基于能量的量子多体态表示

论文提出了一种新的基于能量的生成量子多体状态表示方法，该方法可以在保留系统已知对称性与结构的情况下，使用一个小数量的参数进行学习，并且可以用于预测物理观测量的期望值

Apr, 2023

状态空间模型的变分量化

使用离散状态空间隐马尔可夫模型、最新的神经网络架构和受向量量化变分自动编码器启发的训练过程，结合大数据集中成千上万个异构时间序列的预测任务是众多领域的一个关键统计问题。我们提出了一种新的预测模型，引入了离散后验分布和两阶段训练过程，从而提供了对潜在状态和发射分布参数的交替训练。通过学习多个发射规律和根据隐藏过程动力学临时激活它们，所提出的方法能够探索大数据集和利用可用的外部信号。我们使用多个数据集评估了该方法的性能，并展示它优于其他最先进的解决方案。

Apr, 2024

神经离散表征学习

本文提出了一种简单而强大的生成模型，学习离散表示，可以生成高质量的图像、视频和语音，同时进行说话人转换和音素无监督学习。

Nov, 2017

用于深度强化学习的变分量子电路

本文研究了变分量子电路在深度强化学习中的应用，利用量子信息编码方案减少模型参数，用经验回放和目标网络重塑经典深度强化学习算法，成功证明了变分量子电路可以用于决策制定和政策选择强化学习，适用于许多即将到来的近期量子计算机。

Jun, 2019

向量量化自编码器的理论与实验

该研究利用基于期望最大化算法的训练技术提高 VQ-VAE 模型在 CIFAR-10 数据集上的图像生成结果，并通过知识蒸馏技术，开发出一种非自回归机器翻译模型，其准确性几乎与强贪婪自回归基线变压器相当，但在推理速度上快 3.3 倍。

May, 2018

量子自编码器用于量子数据高效压缩

本篇论文研究使用经典的优化算法来训练量子自编码器，从而实现对量子数据进行压缩和简化处理，且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。

Dec, 2016

使用变分自编码器进行潜变量建模：一项调查

本文深入探讨了概率分布和变分自编码器的理论，并总结当前研究现状；适合机器学习初学者了解概率分布学习中的核心思想及其在深度学习领域的应用，并为此子领域的新参与者提供了一个适宜的入门机会。

Jun, 2022