本研究探讨深度卷积网络的归纳偏差,建立了量子物理和深度学习之间的基本联系,通过量子纠缠测量深度网络表达输入相关结构的能力,探索了 ConvAC(深度卷积算术电路)的新理论观察,提出了通过深层卷积网络的通道数直接控制归纳偏差的方法。
Apr, 2017
本文探讨了神经网络状态量子纠缠特性对量子多体物理的应用,重点研究了限制玻尔兹曼机的量子纠缠特性,并证明了其短距离状态满足任意维度和二元分区几何的面积律,并能高效表示大规模量子纠缠态。此外,文章还研究了具有随机权重参数的泛型 RBM 状态,并证明了其量子纠缠熵满足体积律缩放,并且具有泊松型能级统计规律。最后,文章将所得结论运用到了量子多体物理问题中,证明了神经网络代表的 RBM 状态可以高效地表示量子纠缠态,并能用于计算量子多体系统的基态和纠缠谱问题。
Jan, 2017
本文探讨张量网络与深度学习之间的数学联系,使用通过多尺度纠缠重整方法派生的训练算法训练二维分层张量网络完成图像识别问题,并研究了张量网络的量子特性,包括量子纠缠和保真度,并发现这些量子特性可以作为图像类别以及机器学习任务的表征。
Oct, 2017
使用深度卷积神经网络逐步检测多量子位系统的纠缠状态,结合三分体网络并强制对称操作提高检测准确性,从而可扩展遇到新难题的精确预测。
Oct, 2022
将 RBM 和 TNS 相连接,我们可以构建更强大的深度学习架构,并使用 TNS 内的纠缠熵限制来量化 RBM 的复杂数据集表现能力。同时,RBM 将量子多体状态表示为少量参数,这可能允许更有效的经典模拟。
本论文表明量子计算不仅可以减少深度受限玻尔兹曼机训练所需的时间,而且提供了比传统计算更丰富和全面的深度学习框架,从而在优化底层目标函数方面取得显著的改进。同时,我们的方法还允许高效地培训完整的 Boltzmann 机和多层全连接模型,且在经典计算中没有良好的对应物。
Dec, 2014
本研究综述了监督学习和深度神经网络的设计,用于学习代数多元环的成员身份,并证明这些神经网络可以预测量子态的纠缠类型。我们给出了检测退化状态和二进制量子比特和三进制量子比特(三元量子比特)的边界秩分类的实例。
Aug, 2019
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
深度神经网络具有很高的表示能力,能够高效地表示大多数物理态,然而浅层神经网络在计算复杂度理论中的一些较高层次上不能够高效地表示这些态。
采用深度神经网络可以同时预测量子态的多个特性,并可通过局部测量来推断多体量子系统的全局特性,用于识别对称保护拓扑态和发现不同相之间的未知边界。
Oct, 2023