这篇论文研究了使用基于数据的方法在陷阱离子量子计算机上训练量子电路,以实现一种高维普适量子电路的学习,为混合学习方案提供了进一步的发展和挑战。
Dec, 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
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
本文主要讨论了量子神经网络(Quantum Neural Networks)在监督学习任务中的不同结构和编码策略,并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能,以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。
Jun, 2022
利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题,并展示出在噪声环境下稳健的表现和经典优化方法的适用性。
Dec, 2017
证明了结构简单的 PQCs 在生成任务中具有比任何经典神经网络更好的表达能力,PQCs 在贝叶斯学习和半监督学习中的应用前景广阔。
Oct, 2018
本研究提出了两种混合量子 - 经典模型:具有平行量子层的神经网络和具有量子卷积层的神经网络,它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力,并为医疗保健、安全和市场营销等各个领域提供有前途的方法。
Apr, 2023
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
用核方法重新描述监督式的量子模型,用支持向量机进行训练可以得到比变分电路训练更好或同等的结果。
Jan, 2021
本文研究如何在量子领域扩展敌对训练的概念,并展示如何构建使用量子电路的生成性对抗网络。我们还展示了如何利用另一个量子电路计算梯度,同时提供了一个简单实用的电路 ansatz 来参数化量子机器学习模型,并进行了简单的数值实验以证明量子生成对抗网络可以成功地进行训练。