Jul, 2019

网络中量子非局域性问题的神经网络预言机

PDF
TL;DR本研究使用神经网络作为数值工具，通过学习复制分布所需的经典策略，克服了观测概率分布是否仅使用经典资源就可复制的因果推断任务。我们将此方法应用于三角形配置的几个示例，给出了几个分布的噪声稳健性的估计，证明了 [Gisin et al., Entropy 21 (3), 325 (2019)] 中呈现的分布的非局部性猜想，同时提出了 [M.-O. Renou 等人，PRL 123，140401 (2019)] 中相应分布的新参数范围内的非局部性猜想。
quantum nonlocalityneural networksclassical resourcestriangle configurationnoise robustness
发现论文，激发创造
  • 经过训练的量子神经网络是高斯过程

    我们研究了使用参数化单量子比特门和固定双量子比特门构建的量子神经网络，研究表明在无限宽度限制下，随机初始化参数的未训练网络生成的函数的概率分布收敛于高斯过程。通过梯度下降法对网络进行训练时，网络可以完美拟合训练集，并且训练后生成的函数概率分布仍然收敛于高斯过程。测量结果的统计噪声对网络的影响在多项式数量的测量下是可忽略的，而且网络的训练时间也是多项式级别的。

    Feb, 2024

  • 量子系统的神经网络表示

    通过使用神经网络的通用逼近定理，本文提出了一种新的映射方法，将广义的量子力学系统转化为带有网络参数统计求和的神经网络形式，从而将机器学习与量子世界更加紧密地联系起来。

    Mar, 2024

  • 走向物理上可实现的量子神经网络

    本文提出了一种基于带限傅里叶展开的量子感知器（QPs）转移函数的模型，用于设计可扩展的训练过程的量子神经网络（QNNs），并在其中添加了一种随机化的量子随机梯度下降技术，消除了样本复制的需要，并证明该训练过程期望收敛于真实最小值，这有助于提高数据效率和遵守禁止复制规则。

    Mar, 2022

  • 关于量子神经网络的可学习性

    本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效模拟。

    Jul, 2020

  • 局部连接神经网络的适用数据：基于量子纠缠的必要充分条件

    本文采用量子物理的理论工具，研究了数据分布在神经网络中应用的适宜性问题，提出了一种新的局部连接神经网络适用性的预处理方法，并在多个数据集上进行了实验验证。

    Mar, 2023

  • 使用循环神经网络从物理观测重构超导量子比特的量子动力学

    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

  • 通过经典神经网络学习量子神经网络的学习方法

    本文提出一种使用经典神经网络协助量子学习的元学习方法，通过训练经典递归神经网络对 Quantum Approximate Optimization Algorithm (QAOA) for MaxCut，QAOA for Sherrington-Kirkpatrick Ising model 以及 Hubbard model 的参数进行快速优化，以减少优化迭代次数。同时，发现该方法可以推广到其他问题类型，使得量子学习更加高效。

    Jul, 2019

  • 高效优化和可解释的量子神经网络

    我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

    Nov, 2022

  • 前馈神经网络的量子推广

    我们提出了一种量子神经网络，其中经典神经元通过添加辅助位变得可逆，然后被概括为量子可逆神经元，并能用梯度下降法在代价函数上有效地训练来执行量子推广的经典任务，例如压缩量子态和发现量子通信协议。

    Dec, 2016

  • 通用辨别性量子神经网络

    本研究使用 Adam 优化算法训练近期量子电路，模拟乱杂的非正交量子概率分布的未知非酉量子电路结构，成功实现量子数据的最优分类，是一种没有经典类别的量子机器学习任务的实例。

    May, 2018