定性数值规划:简化与复杂性
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
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
本研究提出了一种基于量子自然语言处理 (QNLP) 的方法,用于构建量子机器学习模型,该模型可以将 SQL 查询按照执行时间和基数进行分类。该模型与现有的 QNLP 模型在分类任务中具有类似的准确性,实验结果表明,QNLP 模型可以成功应用于不属于 QNLP 领域的问题。本文还分析了该量子机器学习模型的表达能力和纠缠能力直方图,结果表明其具有适宜的表达能力和纠缠能力,足以在量子硬件上执行。
Jun, 2023
在科学机器学习中,研究人员发现利用数据驱动的解算器学习可以提供快速的近似解决方案,作为传统数值偏微分方程求解器的替代方法。本研究通过聚合多个神经操作器,识别高误差区域并提供与预测误差相关的良好不确定性估计,从而解决了现有神经操作器方法在域外测试输入上的不确定性量化问题。基于这一结果,提出了一种经济高效的方法 DiverseNO,通过鼓励多个神经操作器在最后的前馈层中产生不同预测结果来模拟集成的特性。同时,引入了 Operator-ProbConserv 方法,将这些经过良好校准的不确定性估计嵌入 ProbConserv 框架以更新模型。实验结果表明,Operator-ProbConserv 提高了挑战性偏微分方程问题的域外模型性能,并满足了物理约束条件如守恒定律。
Mar, 2024
最近的量子机器学习的理论结果表明了量子神经网络(QNNs)的表达能力和可训练性之间的一般性权衡;作为这些结果的推论,实际中在表达能力上超过经典机器学习模型的指数级差异被认为是不可行的,因为这样的 QNNs 训练所需的时间与模型大小的指数成正比。我们通过构建一种层次化的可高效训练的 QNNs,成功地绕过了这些负面结果,其在经典序列建模任务中展示了无条件可证的多项式内存分离性能,而且所引入的 QNNs 的每个单元均在量子设备上能够以恒定的时间进行计算。我们证明了这种分离性能在经典神经网络类型中成立,包括循环神经网络和 Transformer 等众所周知的网络。我们展示了量子背景的特殊性是导致表达能力分离的根源,这表明在具有长时间相关性的其他经典序列学习问题中,量子机器学习可能存在实际上的优势。
Feb, 2024
本文提出了一种新的平滑损失及惩罚函数的神经网络方法,用于解决智能电力系统中风能等可再生能源的概率预测问题中遭遇的分位数交叉问题,实证研究结果表明该方法可以有效提高风力发电预测的准确性。
Sep, 2019
通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性,将经典的 PINN(物理信息神经网络)与 NN-aPC 的推广相结合,扩展了我们的工作到多维随机偏微分方程。
Sep, 2018
利用 Query Plan Language (QPL) 和 Large Language Models (LLMs),本文探讨了通过简化语法和模块化规范复杂查询来创建一个更易于学习和验证的查询语言,以便使非程序员能够更好地评估交互式查询计划助手生成的查询计划,进而提高复杂查询的准确性。
Dec, 2023