Mar, 2020

TensorFlow Quantum：量子机器学习软件框架

PDF
TL;DRTensorFlow Quantum 是一个开源库，支持快速原型设计经典或量子数据的混合量子 - 经典模型，并提供高级抽象来设计和训练区分性和生成性量子模型。该库的功能包括超导量子分类和控制，噪声型和最优化截断模拟以及类似神经网络的混合量子 - 经典模型的层次学习和 Hilbert 空间的量子分类；旨在为量子计算和机器学习提供必要的工具，发现潜在的量子算法。
tensorflow quantumquantum-classical modelshybrid quantum-classical neural networkssupervised learningvariational quantum eigensolvers
发现论文，激发创造
  • 基于模型的量子联邦学习 (QFL)

    该研究提出了一种在机器学习系统中扩展现有领域特定的建模驱动工具来支持量子联邦学习的方法，该方法可以为开发人员提供一个从底层到联邦学习库的抽象层，以实现量子机器学习的最新技术。

    Apr, 2023

  • 使用张量网络实现量子机器学习

    本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

    Mar, 2018

  • 量子数据联邦学习

    本论文提出了第一个完全量子联邦学习框架，该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集，然后将其提供给使用 QCNN 模型的客户端执行分类任务，并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。

    May, 2021

  • Qiskit-Torch-Module：快速原型制作量子神经网络

    量子计算机仿真软件关键研究领域：qiskit-torch-module 在提高运行效率、低开销与 PyTorch 集成方面较其他库提升两个数量级；适用于单机计算系统的高级工具，便于量子神经网络的整合。

    Apr, 2024

  • 基于多 GPU 的混合量子 - 经典工作流的量子 - HPC 框架：在量子模拟中的应用

    利用一种创新的分布感知型的 QCQ 架构，将量子硬件和经典计算资源相结合，实现高性能计算，解决材料和凝聚态物理的量子模拟挑战，通过整合量子软件框架、高性能计算资源、量子算法和机器学习，该架构能够在分布式计算环境中有效进行量子状态准备、量子状态分类及量子模拟任务，实现量子 - 高性能计算的可扩展性，加速复杂相变分类任务并提供准确的相变预测。

    Mar, 2024

  • 量子神经网络分类器：教程

    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

  • 量子辅助模拟：在量子计算领域设计机器学习模型的框架

    利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

    Nov, 2023

  • FedQNN：基于量子神经网络的联邦学习

    本研究探索了量子联邦学习作为一个框架，通过分布式网络来训练量子机器学习模型的创新领域。我们提出的联邦量子神经网络框架是一种前沿解决方案，将量子机器学习的独特特性与经典联邦学习的原理融合在一起。通过在不同数据集上进行的实验证明，我们的 FedQNN 框架具有很强的适应性和功效，可以在分布式环境中安全处理数据并促进合作学习，结果在三个不同数据集上始终保持超过 86% 的准确率，证明了它在进行各种量子机器学习任务上的适用性。我们的研究不仅确定了传统范式的局限性，还提出了一个新的框架，推动量子机器学习领域进入一个新时代的安全和协作创新。

    Mar, 2024

  • 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

  • 联邦分层张量网络：面向医疗领域的协作学习量子人工智能框架

    提出了基于量子张量网络的联邦学习框架，通过多体量子物理原理充分利用，进行了不平衡数据分布下的差分隐私分析，实验结果显示，联邦量子张量网络模型在医疗图像数据集上达到了 0.91-0.98 的平均接收者操作特征曲线下面积（ROC-AUC），在医疗院所之间的不平衡数据分布下，量子联邦全局模型表现出更好的泛化性能和鲁棒性，实现了更高的测试准确率，超过了本地训练客户端的表现。

    May, 2024