量子生成对抗网络
本文报告了量子对抗学习在超导量子电路中的首次实验演示,证明量子状态生成器可以通过几轮对抗学习来复制数字 qubit 信道模拟器输出的量子数据统计,并实现计算机模拟器真假数据的高保真度。结果为噪声中等规模量子设备在机器学习任务上探索量子优势铺平了道路。
Aug, 2018
本研究提出了一种新的量子生成对抗网络(QuGANs),其中生成器和鉴别器配备了量子信息处理器,当数据由量子状态或经典数据组成时,该方法达到唯一固定点使生成器产生与数据相同的统计数据。
Apr, 2018
本研究论文探索了在生成对抗网络(GANs)领域中将经典计算和量子计算范式融合的创新性方法,通过将量子计算元素无缝集成到传统 GAN 架构中,从而在增强训练过程方面开辟了新的途径。我们从量子位(qubits)的内在特性中获取灵感,深入研究了在 GAN 框架中融合量子数据表示方法。通过利用独特的量子特性,我们旨在加速 GAN 的训练过程,为生成模型的优化提供新的视角。本研究涉及理论考虑,并评估量子优势在训练效率和生成质量方面的潜在体现。我们应对了量子和经典结合所固有的挑战,解决了与量子硬件限制、误差校正机制和可扩展性相关的问题。这项研究处于量子增强机器学习的前沿,是在利用量子系统的计算能力加速生成对抗网络的训练方面迈出的关键一步。通过对经典和量子领域界面的全面研究,我们旨在揭示促进这一领域创新和推动量子机器学习前沿的转变性观点。
Dec, 2023
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
提出了一种用于改进生成对抗网络(GAN)的混合量子 - 经典架构(QC-GAN),通过与传统神经网络和量子变分电路的结合,实现了比经典 GAN 更好的性能,在迭代次数和训练参数方面也更加高效。该研究同时展示了将量子计算与机器学习相结合在量子 - 人工智能领域和人工智能 - 量子领域的价值。
Feb, 2024
本文报道了第一个用可编程超导量子位的量子对抗学习实验,结果表明量子学习系统在对抗场景下存在一定的易受攻击性,并证明了对抗训练过程可以显著增强其抵御干扰性攻击的鲁棒性。
Apr, 2022
使用可编程硅量子光子芯片,我们首次在光子学中实验性地演示了 QGAN 模型,并研究了噪声和缺陷对其性能的影响。我们的结果显示,即使在生成器的相移器的一半受损,或者生成器和鉴别器的所有相移器受到高达 0.04π 的相位噪声的条件下,QGAN 可以生成高质量的量子数据,保真度超过 90%。我们的工作为在 NISQ 时代的量子硬件上实施 QGAN 提供了可行性的线索。
Oct, 2023
量子机器学习在金融领域的新研究领域是本文重点讨论的内容,包括应用于金融的量子生成对抗网络 (qGAN)、量子电路 Born machine (QCBM) 等模型,并通过仿真环境展示了量子机器学习在金融领域的未来潜力。
Aug, 2023
机器学习和量子计算的结合有潜力提供更高的准确性和计算效率,并对抗攻击产生更强的鲁棒性。然而,要建立强大的 QAML 工具仍有挑战。本文回顾了 QAML 的最新进展、字典并提出未来的研究方向,以期在量子计算硬件规模扩大和噪声水平降低的情况下实现 QAML 方法的实用性。
Jun, 2023
提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络(C-qGAN),该神经网络结构严格在量子电路内,因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品,为进一步研究其他路径依赖期权打下了基础。
Apr, 2023