NISQ 时代量子态的机器学习
这项研究检查了不同的量子状态重构技术的性能,并证明了可以通过应用方差减少技术来系统地减少算法的量子资源需求。作者比较了两种主要的神经量子态编码方法,即神经密度算符和正算子值测量表示,并阐述了它们在混杂度不同的情况下表现出不同的性能。
Jul, 2023
量子机器学习的综述,包括在量子设备上运行机器学习算法的各种概念,介绍了在 Noisy Intermediate-Scale Quantum (NISQ) 技术中使用的技术和与容错量子计算硬件兼容的算法方法,同时涵盖了量子机器学习的基本概念、算法和与其相关的统计学习理论。
Jan, 2024
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
本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨,其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化,本方法能够较好地应用于混合状态的编码,可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态,达到了与标准技术相当的保真度。
Jan, 2018
该研究探索了量子计算和机器学习的交叉领域,着重评估数据重新上传方案和补丁生成对抗网络模型等混合量子 - 经典算法在小规模量子设备上的有效性,并通过实际实现和测试揭示了这些算法与经典对应算法相当或更好的性能,突显了在机器学习任务中利用量子算法的潜力。
Apr, 2024
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
提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言,我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性,而不改变底层架构。
Jan, 2022
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
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
本研究提出了一种自我学习的方法,使用无人干预的生成式模型来描述量子状态,通过研究该模型学习到的内在表示方式及其对量子态的理解,我们证明该方法具有实现可解释机器学习量子态的潜力,且能够进行自主学习,并为机器学习如何自我学习小规模量子系统提供了见解。
Jun, 2023