Dec, 2021

实验学习的量子优势

PDF
TL;DR利用量子技术进行物理实验可以比经典实验在各个方面都具备优势，包括预测物理系统的属性、处理噪声态的量子主成分分析以及学习物理动力学的近似模型。通过实验，研究人员证明了量子机器要比经典机器学习、预测等任务所需的实验次数少得多，并且量子处理的数量级可以适当控制。
quantum technologyquantum memoryquantum computerphysical systemexponential advantage
发现论文，激发创造
  • 量子机器学习的优势演示

    使用超导体五比特处理器，对基于 oracle 的问题进行求解，经过实验验证，在现有的嘈杂系统中，量子计算机的查询次数明显比经典计算机少，这种差距会随着误差率和问题大小的增加而不断扩大，这证明了量子优势确实在现有的嘈杂系统中出现了。

    Dec, 2015

  • 量子机器学习中的数据力量

    探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

    Nov, 2020

  • 量子机器学习

    本文讨论了量子计算机在机器学习中的应用，介绍了量子机器学习领域的研究方向、挑战和最新进展。

    Nov, 2016

  • 可编程超导量子比特的实验性量子对抗学习

    本文报道了第一个用可编程超导量子位的量子对抗学习实验，结果表明量子学习系统在对抗场景下存在一定的易受攻击性，并证明了对抗训练过程可以显著增强其抵御干扰性攻击的鲁棒性。

    Apr, 2022

  • 量子机器学习中信息论界限的量子优势

    本研究比较了传统机器学习和量子机器学习在物理实验结果预测方面的表现，发现虽然对于任何输入分布，使用经典机器学习模型可以实现平均准确预测，但是利用量子机器学习模型，可以在所有输入分布上达到指数级别的量子优势，此外，我们提出了一种仅需要 O (n) 个副本来预测 n 量子位系统的所有 Pauli 可观察量期望值的量子机器学习模型，为解决物理和化学领域的难题提供了新思路。

    Jan, 2021

  • 量子态的实验学习

    本研究着重于探讨 “计算学习理论” 在探究量子信息中的应用，发现在概率性的前提下，仅通过线性数量的测量即可近似学习量子态，实验结果在光学系统中展示了线性比例的特点，为量子状态探究开辟了新的大规模可能性。

    Nov, 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

  • 量子优势是否是量子机器学习的正确目标？

    本文介绍了机器学习与量子计算的关系以及目前在实践中评估量子计算的困境，提出了拓展研究视角以探究其在机器学习领域的潜在应用的必要性。

    Mar, 2022

  • 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

  • 非物理学家的量子计算简介

    本篇论文旨在解除计算机科学家和其他非物理学家对于量子计算与传统计算之间的概念和符号障碍，介绍了量子计算基础原理、量子计算机威力的来源及其难以操纵的原因，描述了量子加密、量子纠缠、量子密集编码等各种量子并行算法，包括 Shor 算法、Grover 算法和 Hogg 算法，最后讨论了量子纠错。

    Sep, 1998