使用混合量子自编码器进行聚类和增强分类

Jul, 2021

使用混合量子自编码器进行聚类和增强分类

Clustering and enhanced classification using a hybrid quantum autoencoder

Maiyuren Srikumar, Charles D. Hill, Lloyd C.L. Hollenberg

TL;DR本文提出了一种基于混合量子自编码器的 QML 算法，旨在在经典描述的空间中学习识别和分类量子态的特征属性，为聚类和半监督分类提供了一种新的方法，该方法针对的是幅度编码的量子态，可以应用于非平凡的量子数据集的结构分析。

Abstract

quantum machine learning (QML) is a rapidly growing area of research at the intersection of classical machine learning and quantum information theory. One area of considerable interest is the use of QML to learn information contained within quantum states themselves. In this work, we p

quantum machine learning hybrid quantum autoencoder amplitude encoded states clustering semi-supervised classification

发现论文，激发创造

量子计算专家的机器学习

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

引导量子压缩的希格斯辨识

设计了一个集成预处理和量子分类算法的可训练模型，即引导量子压缩模型，来解决量子机器学习算法使用经典自动编码器作为独立预处理步骤可能导致分类性能下降的问题，并通过应用于 LHC 的质子 - 质子碰撞中的希格斯玻色子识别，展示了该模型在解决分类问题上的优越性能。

Feb, 2024

量子与经典贡献在混合量子机器学习架构中的分解

通过使用压缩数据和自动编码器结合量子组件，我们的研究表明在混合迁移学习中，经典组件显著影响分类结果，而这一贡献常常被错误地归因于量子元素。我们的模型表现与使用幅度嵌入的变分量子电路相一致，将其定位为一种可行的替代方案。

Nov, 2023

现代近期量子设备上的量子机器学习：针对真实世界应用的有监督和无监督技术的现状

本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。

Jul, 2023

量子辅助模拟：在量子计算领域设计机器学习模型的框架

利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

Nov, 2023

近期量子计算机中量子辅助机器学习的机遇和挑战

通过使用混合量子 - 经典方法并介绍了一个名为 Quantum-assisted Helmholtz Machine (QAHM) 的新算法，我们提出了一种解决当前量子计算和量子机器学习的困难关系，特别是在生成模型方面的解决方案。

Aug, 2017

量子状态的实验机器学习

本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。

Dec, 2017

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

量子增强特征空间中量子机器学习模型的普适逼近特性

本文证明典型情况下，基于量子增强特征空间的机器学习模型是连续函数的通用逼近器，从理论角度探究了量子特征映射的表达能力与在分类不相交区域方面的功能。

Sep, 2020

量子混合态自注意力网络

本研究介绍了一种新颖的量子混合态注意力网络（QMSAN），将量子计算原理与经典机器学习算法，特别是自注意力网络相结合，以增强处理自然语言处理任务的效率和效果。实验证实 QMSAN 模型在文本分类方面优于现有的量子和经典模型，显著提高了性能，对低噪声具有良好的鲁棒性。

Mar, 2024