使用张量网络实现量子机器学习
本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。
May, 2016
本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。
Apr, 2020
本文研究如何在量子领域扩展敌对训练的概念，并展示如何构建使用量子电路的生成性对抗网络。我们还展示了如何利用另一个量子电路计算梯度，同时提供了一个简单实用的电路 ansatz 来参数化量子机器学习模型，并进行了简单的数值实验以证明量子生成对抗网络可以成功地进行训练。
Apr, 2018
我们引入了一种能够学习含有连续随机变量的分布的新型张量网络生成模型，首先在矩阵乘积态的背景下推导出通用表达能力定理，证明了该模型家族能够以任意精度逼近任何充分平滑的概率密度函数；然后在几个合成和真实世界数据集上对该模型的性能进行基准测试，发现该模型在连续和离散变量的分布上学习和泛化良好；我们还开发了建模不同数据领域的方法，并引入了一个可训练的压缩层，发现在有限的内存或计算资源下，该层能够提高模型的性能。总体而言，我们的方法为量子启发式方法在生成学习这个快速发展领域的有效性提供了重要的理论和实证证据。
Oct, 2023
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
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
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
本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。
Mar, 2018
利用神经和张量网络近似精确、高效和量子一致地演化封闭纠缠系统的方法，可以解决传统计算方法在哈密顿空间增加时遇到的硬性限制，为众多量子计量问题提供了有趣的解决方案。
Jun, 2024