使用机器学习高效测量量子设备
本文介绍了一种基于机器学习的算法,使用少量粗粒度测量值作为输入,将量子点系统调整到预选的电荷状态,为自动调整量子点 qubit 迈出了关键一步。作者还将该算法在 GaAs 双量子点器件上进行了训练和测试,并成功将系统成功调整到预期状态或其相邻区域。
Dec, 2019
本综述调查了在量子硬件上实现的监督学习和无监督学习应用,并探讨了其局限性及如何克服这些局限性。在此基础上,评估了这些 QML 实现与它们的经典对应物的性能表现,并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。
Jul, 2023
我们从计算复杂性的角度对实验量子物理学进行了系统研究,定义了量子算法测量 (QUALMs) 框架,用于研究量子多体物理学中的两个重要实验问题,并显示在使用实验样品的相干性 (空间和时间) 时,相较于分别访问每个实验样本的标准情况,可以实现可证明的指数加速。因此,我们的研究表明,量子计算机可以提供一种新的指数优势:量子实验的资源消耗获得指数级的节省。
Jan, 2021
本研究提出了一种基于深度学习和强化学习的模型无关方法,实现了实际的贝叶斯量子计量任务,并在一个集成光电电路上证明了比标准方法更高的测量性能,这是实现完全基于人工智能的量子计量的重要一步。
Sep, 2022
探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处,提出了一种用于评估量子学习任务潜在优势的方法,并提出了一种通过量子速度提高学习效率的量子机器学习模型。
Nov, 2020
量子计算是一个快速发展的领域,信息是由二级量子态(qubits)处理的,当前对 qubits 物理实现的要求需要通过不同实验精确校准,以克服噪声和失相现象,其中对测量状态进行分类的模型开发是关键一步,本文基于真实的量子设备对多种分类技术进行了基准测试。
Sep, 2023
该论文提出了一种处理量子机器学习中普遍存在的不确定性的通用方法学,该方法可以在训练数据量有限、量子计算硬件噪声存在的情况下可靠地度量量子模型的不确定,并基于概率共同预测来达到对真实目标的可信度量。
Apr, 2023
通过使用强化学习技术和环境噪声模型,我们研究了量子设备参数的连续校准的无模型控制循环,并以肯尼迪接收器为基础的远距离量子通信协议的数值模拟应用作为示例。
Apr, 2024