量子神经网络的逐层学习

Jun, 2020

Layerwise learning for quantum neural networks

Andrea Skolik, Jarrod R. McClean, Masoud Mohseni, Patrick van der Smagt, Martin Leib

TL;DR本文研究了参数化量子电路的逐层学习策略，并表明此策略相对于标准学习方案更适用于执行于噪声中等量子设备上，可以在手写数字图像分类任务中实现更低的泛化误差，在比同等大小的量子电路训练更少的参数的情况下，达到更低的测试误差。

Abstract

With the increased focus on quantum circuit learning for near-term applications on quantum devices, in conjunction with unique challenges presented by cost function landscapes of parametrized quantum circuits, st

quantum circuit learning parametrized quantum circuits layerwise learning barren plateaus noisy intermediate-scale quantum devices

发现论文，激发创造

量子电路学习

本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。

Mar, 2018

基于电路的量子分类器

本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

Apr, 2018

宽量子神经网络动力学分析理论

研究了一类可变量量子机器学习模型的梯度下降动力学特性，预测和表征了残余训练误差随系统参数的指数衰减规律，并通过数值实验验证了结果。

Mar, 2022

量子神经网络训练景观中的贫瘠高原

本文研究了嘈杂中等规模量子设备的参数化量子电路的梯度估计和优化问题。作者指出，由于希尔伯特空间的指数维度和梯度估计复杂度，随机电路不适用于超过少量量子比特的混合量子 - 经典算法。

Mar, 2018

深度强化学习的量子电路优化

本研究使用基于强化学习的方法对量子电路进行优化，通过深度卷积神经网络，实现了对于特定架构的任意量子电路的自主学习及优化。对 12 比特电路进行实验得出优化效果，平均深度降低 27％，门数降低 15％，并探讨了方法在近期量子设备上的可行性。

Mar, 2021

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

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

参数化量子电路中基于扩散的量子噪声抑制

该研究论文探讨了参数化量子电路（PQCs）与量子噪声的关系，并提出了一种基于扩散的学习方法，以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性，并在量子噪声情景中在分类任务上取得了最先进的性能。

Jun, 2024

强化学习中变分量子电路的优化技术研究

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

进化增强的量子监督学习模型

本研究提出了一种创新的方法，利用进化增强的无参数化电路进行监督学习模型，该模型采用可变拓扑的电路经由精英方法演化，从而减轻了贫瘠高原问题，并引入了多热编码的叠加概念，方便多分类问题的处理。通过与当前技术最先进的变分量子分类器进行比较分析，我们的框架在训练效率和精确度方面得到了显著的提升。此外，我们对传统上常常困扰传统核心机器的具有挑战性的数据集类进行了测试，展示了在 NISQ 时代实现量子优势的潜在替代路径。

Nov, 2023