量子密度矩阵在经典问答和图像分类中的应用
本研究提出了两种混合量子 - 经典模型:具有平行量子层的神经网络和具有量子卷积层的神经网络,它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力,并为医疗保健、安全和市场营销等各个领域提供有前途的方法。
Apr, 2023
量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络,一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络,并允许在表达能力和高效可训练性之间进行折中,特别适用于量子硬件。我们通过将其应用于两个最近提出的模型族来展示该形式化方法的灵活性。第一个是具有有效可训练性但表达能力可能受限的交换块量子神经网络 (QNNs)。第二个是正交 (保持汉明权重) 量子神经网络,它在数据上提供了定义明确且可解释的转换,但在量子设备上进行大规模训练具有挑战性。密度交换块 QNNs 增加了容量,几乎没有梯度复杂度增加,而密度正交神经网络减少了梯度查询的复杂度,几乎没有性能损失。我们通过对具有超参数优化的合成平移不变数据和 MNIST 图像数据进行数值实验来支持我们的发现。最后,我们讨论了与后变分量量子神经网络、基于测量的量子机器学习和辍学机制之间的联系。
May, 2024
本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨,其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化,本方法能够较好地应用于混合状态的编码,可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态,达到了与标准技术相当的保真度。
Jan, 2018
本文介绍了两种量子系统密度矩阵估计方法:量子最大似然法和量子变分推断法,它们利用构造可变分族来模拟混合量子态的密度矩阵,引入了量子流和适当的损失函数来导出感兴趣的本征态和本征值,用这种方法和传统的格技术比较,有新的估计密度矩阵的可能性。
Apr, 2019
使用 PennyLane 实现的量子卷积神经网络(QCNN)通过参数化量子电路优化来最小化交叉熵损失,用于经典数据的多类分类,在 MNIST 数据集上的实验结果表明,对于 4 类问题,性能略低于经典 CNN,但对于更多类别的问题,量子卷积神经网络表现出更好的性能。
Apr, 2024
该研究探索了量子深度学习模型在解决传统深度学习模型难以处理的具有挑战性的机器学习问题方面的潜力。我们介绍了一种新型模型架构,将经典卷积层与量子神经网络相结合,旨在超越现有最先进的准确性,同时保持紧凑的模型尺寸。该实验对来自 Bird-CLEF 2021 数据集的高维音频数据进行分类,我们的评估重点关注训练持续时间、模型准确性和总模型尺寸等关键指标。这项研究证明了量子机器学习在增强机器学习任务和解决当今实际机器学习挑战方面的潜力。
Dec, 2023
研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能,结果表明虽然模拟时间较长,但是该模型优于传统网络,达到更好的收敛性和高的训练和测试精度。
Aug, 2021
该研究介绍了一种使用三量子比特相互作用增加网络表达能力和纠缠能力的量子卷积网络,通过对 MNIST、Fashion MNIST 和 Iris 数据集进行二分类和多分类,发现其性能超越了现有的最先进方法。
Jul, 2023
本研究使用量子机器学习中的 QSVM 和 VQC 算法对 SelQA 数据集中的问题进行分类,并验证了这些分类结果是否可以用于改进规则型 QA 系统以提高 QA 的质量。
May, 2023