量子流学习
本文旨在从量子信息的角度, 发起一种系统地对待机器学习的方法, 并涵盖了机器学习的三大分支: 监督学习, 无监督学习和强化学习。通过这种方法, 本文提出了一个系统化的方案以解决强化学习中的量子提升问题, 并证明了在限定的时间范围内, 对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。
Oct, 2016
本文探讨了机器学习在科学研究中的潜力,使用物理导向的人工智能方法研究了在量子实验中产生高维纠缠多光子态的复杂光子量子实验的设计与实现,自主学习创造了多种纠缠态并提高了实现效率,提出了机器在未来研究中具有更加创造性的可能。
Jun, 2017
通过回顾机器学习中的量子计算文献,研究了量子算法的限制、与传统经典算法的比较,以及为什么期望量子资源能够提供学习问题的优势,而在存在噪声和某些计算困难的问题中,量子计算令人期待的路线。
Jul, 2017
该研究表明机器学习可以被用于识别量子通信中的重要协议,包括量子纠缠、量子隐形传态、量子中继,同时可以找到改进长距离通信方案的方法,并通过使用 projective simulation 模型的学习代理训练,以用于将机器学习引入量子网络设计与实现中。
Apr, 2019
TensorFlow Quantum是一个开源库,支持快速原型设计经典或量子数据的混合量子-经典模型,并提供高级抽象来设计和训练区分性和生成性量子模型。该库的功能包括超导量子分类和控制,噪声型和最优化截断模拟以及类似神经网络的混合量子-经典模型的层次学习和Hilbert空间的量子分类;旨在为量子计算和机器学习提供必要的工具,发现潜在的量子算法。
Mar, 2020
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
本文介绍了一种利用基于机器学习的重建系统,在只使用包含至少一个额外量子比特的系统训练的情况下,对n量子比特系统进行量子态重建的方法,证明了该方法比需要匹配模型维度的方法更节省资源。
May, 2022
使用变分量子电路作为函数逼近器,提出了量子自然策略梯度(Quantum Natural Policy Gradient,QNPG)算法。在Contextual Bandits环境中进行实验,证明QNPG相对于基于一阶的训练具有更快的收敛速度和稳定性,从而减少了样本复杂度,并在12量子比特硬件设备上进行了训练。
Apr, 2023
本研究探讨了量子机器学习技术在经典和量子通信中的应用,证明了该技术在不同量子信道模型下的强大性能,并为量子通信系统的研究提供了新的进展,使得人们在调制约束、各种通信设置和多样化的信道模型的容量界限方面有了更好的理解。
Jul, 2023
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