Jul, 2021

量子进化核 ： 可编程量子比特数组上的图机器学习

PDF
TL;DR本文介绍了一种基于量子系统时间演化的图形数据相似性测量程序，并探讨了其在传统方法中的应用。通过在系统哈密顿量中编码输入图形的拓扑结构，演化产生保留数据关键特征的测量样本。数值研究表明，与典型基准数据集上的标准图形核相比，该程序表现出色。最后，讨论了在真实的中性原子量子处理器上实现的可能性。
发现论文，激发创造
  • 量子机器学习的图结构数据

    本研究探讨了如何通过量子神经网络来实现以图形结构的量子数据的量子机器学习，并证明了利用图的结构可以提高学习算法，我们进行了数值模拟并展示了出色的学习表现，推测在下一代量子计算设备上可实现可扩展的量子学习程序。

    Mar, 2021

  • 混合量子计算机上的无监督机器学习

    利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

    Dec, 2017

  • 量子辅助下学习嵌入式概率图模型

    通过嵌入技术添加冗余数据集，可以提高量子模拟器的模型容量，因此，我们的方法可以避免其每次迭代基于推断有效温度的需求，从而加快了学习速度，减轻了参数控制噪声的影响，使其能够验证使用量子计算实现生成模型的可行性，并为这些量子技术在与机器学习相关的任务上进行基准测试提供了适当的框架。

    Sep, 2016

  • 量子机器学习：量子核方法

    通过使用基于量子核方法的量子算法，我们描述了如何识别获得量子优势的条件，以及将量子核作为特征提取层应用于卷积神经网络。

    May, 2024

  • 量子 Kerr 学习

    该研究论文探讨了量子机器学习中基于内核的方法，使用神经切向核理论，Kerr 非线性的一阶微扰理论和非微扰数值模拟，以及基于电路 QED 的实验协议来展示在收敛时间和泛化误差方面能够实现一些‘量子增强’。

    May, 2022

  • 量子增强特征空间的监督学习

    本研究中，我们提出了两种量子算法用于机器学习问题的处理，即量子变分分类器和量子核估计器，并在超导处理器上实现了这两种算法，为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。

    Apr, 2018

  • 量子图卷积神经网络

    本文提出基于量子参数电路的新型量子图卷积神经网络（QGCN）模型，利用量子系统的计算能力实现传统机器学习中的图分类任务，并在图数据集上呈现了良好的性能。

    Jul, 2021

  • 基于 GPU 并行算法的图分析：量子聚类

    本文介绍了一种新的方法，将量子聚类应用于图结构中，通过构建潜函数采用图梯度下降算法找到聚类中心，利用 GPU 并行计算势能值来评估方法性能，实验结果表明该方法具有优异的性能，最后还研究了 σ 对实验结果的影响。

    May, 2023

  • 基于核方法的监督量子机器学习模型

    用核方法重新描述监督式的量子模型，用支持向量机进行训练可以得到比变分电路训练更好或同等的结果。

    Jan, 2021

  • 特征希尔伯特空间中的量子机器学习

    本文旨在探讨量子计算与机器学习中内核方法之间的相关性，并阐述如何利用通过编码输入数据来创建非线性特征空间的理论基础，进而使用量子计算机进行分析。作者进一步提出使用量子内核估计，并将其输入到经典的内核方法，以及使用变分量子电路作为线性模型来分类数据的两种方法。

    Mar, 2018