量子图卷积神经网络
本研究提出了在量子计算机上实现图神经网络(GNNs)的框架,以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战,通过制定与三种经典 GNNs 对应的量子算法:图卷积网络(Graph Convolutional Networks)、图注意力网络(Graph Attention Networks)和消息传递 GNNs(Message-Passing GNNs)。我们对简化的图卷积(SGC)网络的量子实现进行了复杂性分析,结果显示与经典方法相比,我们的量子 SGC 在时间和空间复杂度上具有潜在的优势,能够高效处理大规模图,这为在量子计算机上实现更先进的图神经网络模型铺平了道路,为用于分析图结构数据的量子机器学习开拓了新的可能性。
May, 2024
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
本研究提出一个混合量子经典图卷积网络 (QGCNN) 来处理高能物理数据中的稀疏数据,其在参数数量方面比经典多层感知器和卷积神经网络具有优势,并且在测试准确性方面与量子卷积神经网络相当。同时,研究表明探究图卷积操作和其他量子机器学习模型的应用可能有利于推动高能物理研究和其他科学领域。
Jan, 2021
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
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
该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构,优化了量子资源的分配,达到了优秀的分类性能,同时最小化了资源开销,为噪声和不完美情况下可靠量子计算提供了最佳解决方案。
Mar, 2024
利用数据驱动技术的材料设计过程中,我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美,为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。
May, 2024