QuCumber: 用神经网络进行波函数重建
论文综述了机器学习中生成建模技术在恢复实际、嘈杂和多量子比特量子态方面的发展,尤其是限制玻尔兹曼机器的理论,并演示了它在状态重建中的实际应用,从经典热力学分布的伊辛自旋开始,逐步移动到越来越复杂的纯态和混合量子态,通过对实验噪音中间规模量子设备的冷原子波函数重建的最近工作进行总结,最后讨论了未来在 NISQ 时代和以后使用机器学习进行状态重建的展望。
May, 2019
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
本文研究了基于神经网络的方法,能够预测量子系统的演化轨迹,同时提取系统哈密顿量,测量算符和物理参数。该方法可用于噪声表征,参数估计,反馈和优化量子控制。
Nov, 2018
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
本文介绍了一种利用基于机器学习的重建系统,在只使用包含至少一个额外量子比特的系统训练的情况下,对 n 量子比特系统进行量子态重建的方法,证明了该方法比需要匹配模型维度的方法更节省资源。
May, 2022
本文提出了一种基于深度学习的量子力学波函数预测框架,以实现分子结构的反向设计,用于优化目标电子性质,表明这种方法打开了机器学习和量子化学更协同的前景。
Jun, 2019
本研究通过机器学习方法,实验性地构造了一个量子态分类器,能够识别量子态可分离性,此方法能有效地学习和分类量子态,并不需要获取完整的量子态信息。同时本研究表明,通过添加神经网络的隐藏层,可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路,并代表了机器学习在量子信息处理领域的应用进展。
Dec, 2017
本研究提出了一种新的量子神经网络模型,使用实际存在的环境诱导的退相干的量子系统上的 (经典控制的) 单量子比特操作和测量,从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。
May, 2023