量子 Hopfield 神经网络
本研究提出了一种新的量子神经网络模型,使用实际存在的环境诱导的退相干的量子系统上的 (经典控制的) 单量子比特操作和测量,从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。
May, 2023
我们提出一种基于费米模型的量子神经网络,其物理特性作为输出,并建立了与反向传播相媲美的高效优化,在具有挑战性的经典机器学习基准上具有竞争力的准确度,并且在量子系统上实现高精度且不需要预处理的机器学习,此外研究结果可用于量子纠缠分析和可解释的机器学习。
Nov, 2022
研究利用机器学习技术开发量子计算算法的一种新思路,通过对比标准实值和复值经典神经网络与量子神经网络性能的实验表明,量子神经网络能够用更少的反向传播次数和更小的网络模型获得相媲美甚至更好的结果。
Jul, 2018
我们提出了一种量子神经网络,其中经典神经元通过添加辅助位变得可逆,然后被概括为量子可逆神经元,并能用梯度下降法在代价函数上有效地训练来执行量子推广的经典任务,例如压缩量子态和发现量子通信协议。
Dec, 2016
量子机器学习与经典机器学习中的核方法有相似之处,本研究探索了将经典神经网络与量子退火机连接的设置,并模拟了其在分类问题上的性能,发现加入小型量子退火机并不能显著提高性能。
Aug, 2023
通过最小化概率流量,设计出一种具有指数级噪声容忍内存的 Hopfield 循环神经网络,该网络不仅能够实现 Shannon 信道容量界限,还可以高效地解决计算机科学中的隐藏社团问题,为来自生物学的计算模型的实际应用敞开了新的大门。
Nov, 2014
本文主要讨论了量子神经网络(Quantum Neural Networks)在监督学习任务中的不同结构和编码策略,并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能,以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。
Jun, 2022
引入了一种新型的 Hopfield 神经网络,具有连续状态和相应的更新规则,可存储指数数量的模式,具有很小的检索误差。该网络可用作深度学习架构的一层,以允许存储和访问原始输入数据、中间结果或学习原型,并提供池化、记忆、关联和注意机制。
Jul, 2020
本文提出一种基于张量网络的量子计算方法,用于解决当前在量子计算中机器学习所面临的挑战。在此方法下,经典计算和量子计算可共享同样的理论和算法基础,且张量网络电路在量子计算机模型的训练中具有高效节省的优势,并通过对手写识别模型的数值实验验证了其可行性。
Mar, 2018
利用 Grover 和 Deutsch-Josza 两个基础量子算法,研究如何通过输出测量来推断在一定时间内,简单的神经网络(适用于生物和人工网络)是否会继续支持动态活动,或者其动态是否会停止。
Mar, 2024