Dec, 2021

通过群不变卷积量子方案加速学习量子态

PDF
TL;DR我们提出了 $S_n$- 等变量子卷积电路的理论框架，利用傅里叶空间神经结构等方法速度超指数级地计算 $S_n$- 傅里叶系数矩阵元，证明了该框架的普适性，并进行了在量子机器学习和优化方面的应用与数值模拟，这是第一次将著名的 Okounkov-Vershik 表示理论应用于机器学习和量子物理。
quantum convolutional circuits$s_n$-equivariancefourier space neural architecturesrepresentation theoryquantum machine learning
发现论文，激发创造
  • 置换等变量量子卷积神经网络

    量子机器学习中，基于置换对称系统的强大算法被提出，利用对称群、等价量子卷积神经网络等关键词建立了置换对称系统的强大算法。

    Apr, 2024

  • 具有 SU ($d$) 对称性的等变量子机器学习算法的超指数量子加速

    本研究提出了基于不同 SU (d) 对称性物理系统的 equivariant convolutional algorithms 框架，它能够增强量子计算模型，如 permutational quantum computing (PQC)，定义了一个更强大的模型，PQC+。我们进一步讨论了可在 PQC + 范式下执行的实用量子机器学习算法。

    Jul, 2022

  • 利用置换对称性评估变分量子电路

    提出了 SnCQA 硬件高效的等变量子卷积电路，适用于存在置换对称性的机器学习问题和量子计算化学中，具有可扩展性和噪声鲁棒性，比传统量子变分电路拥有更高的性能表现。

    Nov, 2022

  • 群卷积神经网络提高量子态准确度

    本文介绍如何使用 G-CNN 创建具有特定对称性质的量子状态的最大表现模型，并在经典算法中取得更好的性能表现。

    Apr, 2021

  • 关于图像中 $p4m$ 对称性的近似等变量量子神经网络

    这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络（EquivQCNNs），用于图像分类，并在不同的用例中进行测试，证明了等变性促进了模型更好的泛化能力。

    Oct, 2023

  • 只需旋转：基于自旋网络的 SU（2）等变量子变分量子电路

    我们提出旋转网络的使用，它是一种在群变换下保持不变的有向张量网络，用于设计具有自旋旋转对称性的参数化等变量量子电路。我们证明了该构建与其他已知构建的数学等价性，并且在量子硬件上更直接实现。我们通过求解一维三角晶格和 Kagome 晶格上具有 SU (2) 对称性的海森堡模型的基态问题来测试我们构建的电路的有效性，并且结果表明我们的等变电路提升了量子变分算法的性能，暗示了对其他实际问题的更广泛适用性。

    Sep, 2023

  • 紧致矩阵量子群等变神经网络

    我们得出了一种新型的神经网络，叫做紧致矩阵量子群等变神经网络，它能够从具有基础量子对称性的数据中进行学习。我们应用 Woronowicz 的 Tannaka-Krein 对偶形式来描述出这些神经网络中所出现的权重矩阵，并对任意简单紧致矩阵量子群给出了权重矩阵的表征。我们展示了紧致矩阵量子群等变神经网络包含了所有紧致矩阵群等变神经网络的子类。此外，我们对许多之前在机器学习文献中未出现过的紧致矩阵群等变神经网络的权重矩阵进行了表征。

    Nov, 2023

  • 学习量子统计查询的幺正变换

    我们提出了几种算法，用于从量子统计查询（QSQs）中学习幺正算符，与其 Choi-Jamiolkowski 状态相关。

    Oct, 2023

  • 量子卷积神经网络

    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

  • 傅立叶级数引导的量子卷积神经网络设计，用于增强时间序列预测

    应用 1D 量子卷积解决时间序列预测任务，通过将多个点编码到量子电路中预测后续数据，每个点转化为一个特征，将问题转化为多维问题。基于之前研究中 Variational Quantum Circuits (VQCs) 可以表示为多维傅里叶级数的理论基础，我们探索了不同架构和 ansatz 的能力。通过傅里叶级数的框架分析问题，设计了一种包含数据重新上传的架构，提高了性能，并发现即使有限数量的参数也能产生更高阶的傅里叶函数，凸显了量子电路的表达能力。表达能力更强和非零傅里叶系数更多的 ansatz 在不同的场景中始终提供有利结果，随着量子比特数量的增加，性能指标逐渐改善。

    Apr, 2024