基于机器学习的远距离量子通信

Apr, 2019

Machine learning for long-distance quantum communication

Julius Wallnöfer, Alexey A. Melnikov, Wolfgang Dür, Hans J. Briegel

TL;DR该研究表明机器学习可以被用于识别量子通信中的重要协议，包括量子纠缠、量子隐形传态、量子中继，同时可以找到改进长距离通信方案的方法，并通过使用 projective simulation 模型的学习代理训练，以用于将机器学习引入量子网络设计与实现中。

Abstract

machine learning can help us in solving problems in the context big data analysis and classification, as well as in playing complex games such as Go. But can it also be used to find novel protocols and algorithms for applications such as large-scale quantum communication? Here we show

quantum protocols machine learning long-distance communication projective simulation asymmetric situations

发现论文，激发创造

主动学习机器学习创造新的量子实验

本文探讨了机器学习在科学研究中的潜力，使用物理导向的人工智能方法研究了在量子实验中产生高维纠缠多光子态的复杂光子量子实验的设计与实现，自主学习创造了多种纠缠态并提高了实现效率，提出了机器在未来研究中具有更加创造性的可能。

Jun, 2017

基于纠缠的量子计算机机器学习

利用小型光子量子计算机成功实现 2、4、8 维向量的有监督和无监督机器学习分类，这为利用量子计算机处理高维向量提供了新的可能性。

Sep, 2014

量子机器学习简介

本文系统概述了新兴领域 - 量子机器学习的方法、技术细节以及未来理论的潜力。该领域研究人员研究了量子计算如何帮助改进传统的机器学习算法，具有重要的计算优势。

Sep, 2014

量子增强机器学习

本文旨在从量子信息的角度，发起一种系统地对待机器学习的方法，并涵盖了机器学习的三大分支：监督学习，无监督学习和强化学习。通过这种方法，本文提出了一个系统化的方案以解决强化学习中的量子提升问题，并证明了在限定的时间范围内，对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。

Oct, 2016

量子状态的实验机器学习

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

量子机器学习中的数据力量

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

用于学习量子信道编码的量子自编码器

本研究探讨了量子机器学习技术在经典和量子通信中的应用，证明了该技术在不同量子信道模型下的强大性能，并为量子通信系统的研究提供了新的进展，使得人们在调制约束、各种通信设置和多样化的信道模型的容量界限方面有了更好的理解。

Jul, 2023

量子流学习

研究了基于深度强化学习的流式数据学习，通过连续测量 qubit 以应对不同的噪声模式实现对量子系统进行即时控制，为提高量子技术打下基础。

Dec, 2021

量子深度循环强化学习

本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题，并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。

Oct, 2022

非从业人员快速介绍量子机器学习

这篇论文简要介绍了量子机器学习的潜在好处，探讨了使用量子计算原理和算法可能改进传统机器学习方法的潜力。论文涵盖了量子力学的基本原理，包括叠加态、相位空间和纠缠，介绍了利用这些特性的量子门的概念。还回顾了经典深度学习概念，如人工神经网络、梯度下降和反向传播，然后深入探讨了可训练的量子电路作为神经网络的概念。通过一个例子问题展示了量子神经网络的潜在优势，并提供了详细的推导附录。该论文旨在帮助新近接触量子力学和机器学习的研究人员更高效地发展自己的专业知识。

Feb, 2024