本研究提出了一种简化状态准备的方法以及电路优化技术,可以显著减少 QAE 状态准备的电路复杂度,并演示了在实际量子硬件上进行数字积分示例以及基于随机波动率过程的 Heston 模型的期权定价问题的技术应用。
May, 2020
神经网络量子态(NQSs)是通过结合传统方法和深度学习技术进行变分优化的一种新方法,用于找到量子多体基态,并逐渐成为传统变分方法的竞争对手。本文将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积,专注于振幅网络的优化,同时保持符号结构固定。我们的方法在三个典型的量子多体系统上进行了测试,所得到的基态能量低于或与传统变分蒙特卡罗(VMC)方法和密度矩阵重整化群(DMRG)相当。令人惊讶的是,在受挫型海森堡 $J_1$-$J_2$ 模型中,我们的结果优于文献中复值卷积神经网络,这意味着复值 NQS 的符号结构很难被优化。我们将来将研究 NQS 的符号结构优化。
Aug, 2023
我们提出了一种广义的 VQE 算法,可以根据自由参数 α 在 O (1/ε^α) 的电路深度下利用量子相干性减少样本数到 O (1/ε^2 (1-α)),同时提供了一种新的有限量子资源下的期望值估计程序。
Feb, 2018
提出了一种利用贝叶斯优化来优化变分量子本征解算器(VQE)的新方法,包括推导出一个 VQE-kernel 来匹配 VQE 的目标函数的已知函数形式,通过减少后验不确定性来显著优化系统,以及提出了一种名为 EMICoRe 的新的贝叶斯优化获取函数,能够通过将低预测不确定性的区域间接视为 “已观察到” 的方式来主动利用 VQE-kernel 的归纳偏好,实验证明该方法相比于现有的基线方法具有改进效果。
Jun, 2024
本论文提出了一种基于强化学习的算法,能够自主探索合适的变分预测模型,同时最小化电路的深度并增加结果的精度,在锂氢分子比较经典的量子计算基准问题上取得了化学精度和最先进的电路深度优化结果。
Mar, 2021
该研究对布尔函数、量子算法、幅值放大、近似计数和 Grover 算法进行了研究,提出用于估计 $a$ 值的幅度估计过程,并在各种环境中得出了最佳量子算法。
May, 2000
在嘈杂的中间尺度量子时代,基于变分量子算法(VQA)以提供量子优势而出现为一条有希望的途径。在本研究中,我们提出并数值上证明了一种新颖的 VQA 方法,利用随机量子电路生成变分波函数,并通过人工神经网络对这些随机电路的分布函数进行参数化优化以找到解决方案。这种随机电路的方法在变分波函数的表达能力和量子电路采样成本方面存在着一种权衡关系。在给定的门数量下,我们可以通过扩展量子计算时间来系统地增加表达能力。在足够大的时间成本允许下,变分波函数可以以任意精度近似任意量子态。此外,我们建立了变分量子本征求解器的表达能力、时间成本和门数量之间的明确关系。这些结果突出了随机电路方法在实现量子计算中高表达能力方面的潜在前景。
Dec, 2023
利用深度学习的变分蒙特卡罗方法(DL-VMC)预训练模型,结合改进的几何嵌入架构和 SE (3)- 等变模型来表示分子轨道,在大量化学多样性分子集上进行自我监督波函数优化,在没有任何优化的情况下,获得胜过 CCSD (T)-2Z 等传统方法的波函数和绝对能量,并通过少量微调步骤获得精确的相对能量,提高了零编辑准确性。
Jul, 2023
使用强化学习自动化搜索最佳结构以提高变分量子算法在噪声干扰下的性能。
Feb, 2024
基于量子信号处理的相位估计算法能够克服时间相关性错误和量子衰减等挑战,实现超导二比特实验中对不需要的交换角度的估计精度达到前所未有的标准差精度(10^-4 radians),是现有方法进步了两个数量级。