通用辨别性量子神经网络
本文提出了一种用于监督学习的低深度可变量量子算法,其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类,从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟,该电路为标准经典基准数据集提供了很好的分类性能,而且需要的参数数量极少。
Apr, 2018
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
通过量子电路出生机器实现深度量子电路的生成建模,并提出了一种基于梯度的学习算法来最小化核化的最大均值偏差损失函数,该算法可以在近期的量子设备上运行并在生成建模方面显现出量子优势。
Apr, 2018
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
我们介绍了一个可以通过监督学习表示带有标签的数据(经典或量子)并进行训练的量子神经网络。该网络由一系列参数相关的酉变换组成,作用于输入的量子态,可以进行二元分类。我们展示了如何对经典数据集进行分类,并使用实际数据集的例子展示了该网络的应用。
Feb, 2018
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
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
本研究提出了一种基于量子电路学习的算法,可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征,并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格(Greenberger-Horne-Zeilinger)状态的最佳制备方法,也可以有效地制备连续热态的近似表示,其波函数在其幅度中编码玻尔兹曼概率。最后,研究提供了一种新的硬件无关指标,称为 qBAS 得分,可用于衡量近期量子设备的性能。
Jan, 2018
本文研究了嘈杂中等规模量子设备的参数化量子电路的梯度估计和优化问题。作者指出,由于希尔伯特空间的指数维度和梯度估计复杂度,随机电路不适用于超过少量量子比特的混合量子 - 经典算法。
Mar, 2018