Dec, 2017

量子状态的实验机器学习

PDF
TL;DR本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。
quantum information technologiesmachine learningquantum state tomographyartificial neural networkseparability of quantum states
发现论文，激发创造
  • 量子态分类的机器学习模型基准测试

    量子计算是一个快速发展的领域，信息是由二级量子态（qubits）处理的，当前对 qubits 物理实现的要求需要通过不同实验精确校准，以克服噪声和失相现象，其中对测量状态进行分类的模型开发是关键一步，本文基于真实的量子设备对多种分类技术进行了基准测试。

    Sep, 2023

  • 量子领域中的机器学习和人工智能

    本文综述了在量子计算、机器学习和人工智能交叉领域的主要思想、最近的发展以及在量子领域中研究机器学习和人工智能技术的进展，并探讨了量子机器学习和人工智能的相互增强作用以及基于量子力学概念的学习和智能问题。

    Sep, 2017

  • 主动学习机器学习创造新的量子实验

    本文探讨了机器学习在科学研究中的潜力，使用物理导向的人工智能方法研究了在量子实验中产生高维纠缠多光子态的复杂光子量子实验的设计与实现，自主学习创造了多种纠缠态并提高了实现效率，提出了机器在未来研究中具有更加创造性的可能。

    Jun, 2017

  • 量子信息科学中的数据中心机器学习

    提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言，我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性，而不改变底层架构。

    Jan, 2022

  • 量子机器学习用于图像分类

    本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

    Apr, 2023

  • 量子增强机器学习

    本文旨在从量子信息的角度，发起一种系统地对待机器学习的方法，并涵盖了机器学习的三大分支：监督学习，无监督学习和强化学习。通过这种方法，本文提出了一个系统化的方案以解决强化学习中的量子提升问题，并证明了在限定的时间范围内，对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。

    Oct, 2016

  • 量子机器学习中的数据力量

    探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

    Nov, 2020

  • 基于纠缠的量子计算机机器学习

    利用小型光子量子计算机成功实现 2、4、8 维向量的有监督和无监督机器学习分类，这为利用量子计算机处理高维向量提供了新的可能性。

    Sep, 2014

  • 混合量子计算机上的无监督机器学习

    利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

    Dec, 2017

  • 分层量子分类器

    本文研究发现使用具有分层结构的量子电路可以在量子态中完成经典数据的二分类，并且更加表达力的电路可以实现更高的准确性。在两个常规机器学习数据集和一个量子态数据集上比较了多个参数化的表现，并证明性能对于噪声具有鲁棒性，并将一个 Iris 数据集分类器部署到了 ibmqx4 量子计算机上。

    Apr, 2018