群卷积神经网络提高量子态准确度
我们介绍了一种新型的基于卷积神经网络的量子机器学习模型,并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术,具有高效的训练和实现能力,并展示了两个例子来证明其潜力。首先,我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态,并发现其在整个参数范围内都能复制相图。其次,我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案,并发现其显著优于已知的可比较复杂度的量子码。最后,我们讨论了 QCNN 的潜在实验实现和拓展。
Oct, 2018
本文提出格点卷积网络(LCN),使用自门控和注意力机制,将非方形晶格转换为格状扩展晶格,并在正方形、蜂窝状、三角形和菱形晶格上实现了性能与现有方法相媲美,无需手工编码。
Jun, 2022
这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络(EquivQCNNs),用于图像分类,并在不同的用例中进行测试,证明了等变性促进了模型更好的泛化能力。
Oct, 2023
从分析量子卷积神经网络(QCNNs)中我们得出以下结论:1)利用量子数据可以通过隐藏特征映射来嵌入物理系统参数;2)它们在量子相识别方面的高性能可以归因于在地面态嵌入期间产生非常适合的基函数集,其中旋转模型的量子临界性导致具有快速变化特征的基函数;3)QCNNs 的汇集层负责选择那些可以有助于形成高性能决策边界的基函数,学习过程对应调整测量,使得少量量子比特算子映射到全寄存器观测量;4)QCNN 模型的泛化强依赖于嵌入类型,而基于傅立叶基准的旋转特征映射需要精心设计;5)基于有限测量次数的 QCNN 的准确性和泛化能力偏爱地面态嵌入和相关的物理信息模型。我们通过模拟展示了这些观点,我们的结果为感知应用中与物理过程分类有关的问题提供了启示。最后,我们展示了选择适当的地面态嵌入可以用于流体动力学问题的 QCNN,可以良好泛化并经过验证可训练。
Aug, 2023
介绍了一种新型卷积神经网络,称为 Group equivariant Convolutional Neural Networks (G-CNNs),它通过利用对称性降低样本复杂度,使用新型层 G-convolutions,增加网络的表达能力,且易于使用和实现。 G-CNNs 在 CIFAR10 和旋转的 MNIST 上实现了最先进的结果。
Feb, 2016
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法,并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。
Sep, 2020
本文提出了一种混合量子 - 经典卷积神经网络框架(QCCNN),它结合了卷积神经网络的重要特征以及量子计算特有的优势,适用于当前嘈杂的中尺度量子计算机,并通过 Tetris 数据集的分类任务证明了其优越性能。
Nov, 2019
我们提出并分析了一种近似对称的神经网络家族,用于量子自旋液体问题。我们的方法在参数效率、可扩展性方面明显优于现有的无对称神经网络体系结构,并利用混合场拓扑码模型证明我们的方法与现有的张量网络和量子蒙特卡罗方法相竞争。此外,在最大的系统尺寸(N=480)下,我们的方法可以探索存在量子蒙特卡罗和有限尺寸矩阵乘积态无法解决的带有符号问题的哈密顿量。该网络包含一个完全对称的块以及一个非对称的块,我们认为它学习了类似准绝热延续的基态变换。我们的工作为在可解释的神经网络架构下研究量子自旋液体问题铺平了道路。
May, 2024