具噪声鲁棒性的变分混合量子 - 经典优化
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
本文研究变分混合量子 - 经典算法(VHQCAs)在量子编译中的应用,报告了这些算法的一种意想不到的噪声韧性,发现一定程度的噪声不会影响最优的变分参数,提高了 VHQCAs 在嘈杂中等规模的量子设备上的实用性,也预示着这种噪声韧性可能适用于其他 VHQCAs。
Aug, 2019
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
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
RobustState 是一种结合高鲁棒性和高训练效率的新型 VQSP 训练方法,通过利用真实量子机器的测量结果在经典模拟器上进行反向传播,从而将真实量子噪声纳入梯度计算,可用于从头训练参数或微调现有参数以提高目标机器上的保真度。在 10 台真实量子机器上对 4 个不同量子算法的状态准备任务进行了全面评估,结果显示 RobustState 对于 4-Q 和 5-Q 状态实现了高达 7.1 倍的相干误差减少和 96% 和 81% 的状态保真度改进。与基准方法相比,RobustState 平均提高了 4-Q 和 5-Q 状态的保真度分别达到 50% 和 72%。
Nov, 2023
量子计算与混合量子经典计算结合的后变分策略,通过集成策略优化量子模型的方法以及构建个体量子电路的设计原则、后变分量子神经网络的架构设计以及估计误差的传播分析,能够应用于图像分类等实际应用,并实现 96% 的分类准确率。
Jul, 2023
量子计算通过减少可训练参数来提高机器学习效果,并且通过使用变分量子电路 (VQCs) 融合经典优化技术,研究人员致力于在噪声中等规模量子时代 (NISQ) 中,应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。
May, 2024