机器学习与量子设备
这篇论文简要介绍了量子机器学习的潜在好处,探讨了使用量子计算原理和算法可能改进传统机器学习方法的潜力。论文涵盖了量子力学的基本原理,包括叠加态、相位空间和纠缠,介绍了利用这些特性的量子门的概念。还回顾了经典深度学习概念,如人工神经网络、梯度下降和反向传播,然后深入探讨了可训练的量子电路作为神经网络的概念。通过一个例子问题展示了量子神经网络的潜在优势,并提供了详细的推导附录。该论文旨在帮助新近接触量子力学和机器学习的研究人员更高效地发展自己的专业知识。
Feb, 2024
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
在深度学习和量子计算领域的交叉研究中,量子神经网络、量子卷积网络和量子启发式经典深度学习算法被提出并得到广泛关注。本文综述了该领域各种研究的技术贡献、优点和相似之处。同时,作者简要介绍了最近在量子启发式经典深度学习算法以及在自然语言处理中的应用取得的进展。
May, 2020
量子机器学习是量子计算的一个有潜力的早期使用案例,该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览,其包括从理论研究到数值模拟再到概念验证等多个方面的进展。
Apr, 2024
本论文表明量子计算不仅可以减少深度受限玻尔兹曼机训练所需的时间,而且提供了比传统计算更丰富和全面的深度学习框架,从而在优化底层目标函数方面取得显著的改进。同时,我们的方法还允许高效地培训完整的 Boltzmann 机和多层全连接模型,且在经典计算中没有良好的对应物。
Dec, 2014
本研究提出了两种混合量子 - 经典模型:具有平行量子层的神经网络和具有量子卷积层的神经网络,它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力,并为医疗保健、安全和市场营销等各个领域提供有前途的方法。
Apr, 2023
本文旨在从量子信息的角度,发起一种系统地对待机器学习的方法,并涵盖了机器学习的三大分支:监督学习,无监督学习和强化学习。通过这种方法,本文提出了一个系统化的方案以解决强化学习中的量子提升问题,并证明了在限定的时间范围内,对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。
Oct, 2016
通过回顾机器学习中的量子计算文献,研究了量子算法的限制、与传统经典算法的比较,以及为什么期望量子资源能够提供学习问题的优势,而在存在噪声和某些计算困难的问题中,量子计算令人期待的路线。
Jul, 2017