Oct, 2019

基于量子哈密顿模型的模型及变分量子热化算法

PDF
TL;DR引入了一种新型的生成量子神经网络模型 —— 量子哈密顿模型（QHBM），并介绍了可将 Variational Quantum Eigensolver（VQE）推广到热力学状态的 Variational Quantum Thermalizer（VQT），并将其应用于 Heisenberg 自旋系统、模拟自由玻色子系统中的量子关联哈密顿量和压缩码以及制备热费米高斯态的量子模拟。
quantum hamiltonian-based modelsvariational quantum thermalizerhamiltonianquantum simulationentanglement hamiltonians
发现论文，激发创造
  • 变分量子玻尔兹曼机

    本文提出一种基于虚时间演化的变分量子 Gibbs 状态逼近方法，实现了与临近中期的量子计算机兼容的量子 Boltzmann 机械训练方法，同时支持任意参数哈密顿量的梯度下降求解，适用于生成学习与判别学习任务。

    Jun, 2020

  • 量子概率哈密顿学习用于生成建模和异常检测

    本研究探讨了学习和利用孤立量子力学系统的哈密顿量及其变分热态估计进行数据分析技术的可能性，并使用量子哈密顿基模型的方法进行产生建模，证明可以用混合态表示这样的大型强子对撞机数据。在进一步步骤中，我们将学习到的哈密顿量用于异常检测，表明不同样本类型一旦被视为量子多体系统，就可以形成不同的动力行为。利用这些特征来量化样本类型之间的差异。我们的研究结果表明，设计用于场论计算的方法可以在机器学习应用中加以利用，以将理论方法应用于数据分析技术。

    Nov, 2022

  • 在哈密顿变分假设中探索纠缠和优化

    通过对哈密顿变分试探算法的研究，发现它在结构上表现良好，具有较弱或完全不存在的荒漠高原特征和较小的状态空间，因此容易优化。同时也观察到了随着电路层数的增加而出现的从困难局面到优化的转变，以及在 XXZ 模型和横场伊辛模型中实现超参数化的阈值大约按多项式尺度而非指数尺度增长。最后，演示了 HVA 的能力和有效性，将其用于求解具有长程相互作用和幂律纠缠缩放的 Haldane-Shastry 哈密顿量的基态近似。

    Aug, 2020

  • 用生成建模方法来评估和训练浅层量子电路

    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

  • 变分去噪用于变分量子本征求解器

    该研究提出了一种基于参数化量子神经网络的无监督学习方法，名为变分降噪，用于改善含有噪声的 Variational Quantum Eigensolver（VQE）模型的输出结果，在 H2 和 LiH 分子哈密顿量的能量估计和保真度方面比噪声输入数据具有更高的准确性和有效性，并且可以将变分降噪集成到量子硬件中，提高了量子硬件的多样性和端到端的量子处理能力。

    Apr, 2023

  • 混合量子 - 经典算法的实用优化

    本文介绍了基于变分方法的新型混合量子 - 经典算法类别，重点是探究了优化方法和精度水平对变分算法的性能影响，最后提出了用拟牛顿优化方法执行量子逼近优化算法的结果。

    Jan, 2017

  • 量子玻尔兹曼机

    本文提出了一种新的基于量子玻尔兹曼分布的机器学习方法，即量子玻尔兹曼机。通过对量子概率引入边界，可以使该机器学习模型的训练高效进行，同时也探讨了使用 D-Wave 等量子退火处理器进行训练和应用的可能性。

    Jan, 2016

  • 变分混合量子 - 经典算法理论

    本文讨论了量子算法中的优化问题，并提出了一种基于量子 - 经典混合的优化方案，其中包括变分绝热量子算法和单粒子门晶格，通过拟合和消除误差和采用现代没有导数的优化技术来节省计算成本。

    Sep, 2015

  • 量子机器学习的分层学习：大规模变分量子电路的新型训练技术

    我们提出了分层学习，一种用于训练大规模变分量子电路的新颖变分体系结构，并用量子电路比特机 (QCBMs) 测试和基准测试我们的技术。

    Nov, 2023

  • 通过顺序哈密顿装配改善 VQE 的参数训练

    在量子机器学习中，设计和训练参数化量子电路（PQCs）是一个主要挑战。本论文提出了一种顺序哈密顿组装方法，用于处理全局损失函数的参数训练，并通过实验结果证明了该方法在图着色问题中的有效性，表现优于传统的参数训练和层次学习方法，为解决消失梯度问题提供了一种局部感知的学习技术。

    Dec, 2023