近期处理器上的量子神经网络分类
本研究探讨了一种可扩展的量子神经网络(SQNN)方法,通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明,相比于相同规模的常规 QNN 模型, SQNN 模型可以实现具有可比较的分类精度,并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。
Aug, 2022
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
研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能,结果表明虽然模拟时间较长,但是该模型优于传统网络,达到更好的收敛性和高的训练和测试精度。
Aug, 2021
本文开发了一个不可能定理,证明了使用量子神经网络(QNNs)从高保真度的初始状态开始,学习未知量子态的概率随比特数指数级下降,而与电路深度多项式增长,从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制,并深化了先验信息在 QNNs 中的作用的理解。
Sep, 2023
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
我们提出了一种真正的量子神经网络模型,其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性,并且具有较低的电路深度和所需的 C-NOT 门数量,从而优于现有的量子神经网络模型。通过对基准数据集进行测试,我们证明了我们的方法的优越性能,并且使用更少的量子资源要求,为将量子神经网络应用于实际相关的机器学习问题铺平了道路。
Feb, 2024
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
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
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
本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果,通过引入新的电路技术,并在当前的量子硬件噪声水平下对其进行验证,发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。
Nov, 2019