演化策略:在混合量子 - 经典神经网络中的应用
本论文探讨了使用 Natural evolutionary strategies 方法优化处理处于梯度消失区域的随机初始化的带参数的量子电路。研究者们使用了 NES 梯度估算器来缓解方差的指数下降。他们在两种不同的问题中使用了两种特定的优化方法,并将其与标准梯度下降进行了比较。在所有这些情况下,他们的实验结果表明,使用 NES 方法可以在较少的电路评估次数下实现与现有优化技术相当的准确性,从而将 NES 方法作为与其他基于梯度的方法协同工作的混合工具来优化零梯度区域中的深度量子电路。
Nov, 2020
该研究论文展示了演化策略在学习大型监督模型的非可微参数方面的优越性,尤其是当模型具有百万维参数时,该方法的竞争能力非常出色。这种方法允许瘦模型从第一步开始就可以训练,非常适合于大算力场景。
Jun, 2019
本文研究了如何直接从量子测量中估计要优化的函数的梯度,提出了一种基于 Pauli 旋转扩展的哈密顿量的梯度估计算法,可适用于带噪声量子门的多量子位参数量子演化。
May, 2020
本文提出了一种新颖的元优化算法,通过对量子电路的参数进行元优化,从而最小化目标函数,避免了经典梯度优化的局限性,通过实验和理论论证,在不同数据集上,相比现有基于梯度的算法,该方法可以更快更稳定地达到更好的效果。
Apr, 2023
本研究提出了一种创新的方法,利用进化增强的无参数化电路进行监督学习模型,该模型采用可变拓扑的电路经由精英方法演化,从而减轻了贫瘠高原问题,并引入了多热编码的叠加概念,方便多分类问题的处理。通过与当前技术最先进的变分量子分类器进行比较分析,我们的框架在训练效率和精确度方面得到了显著的提升。此外,我们对传统上常常困扰传统核心机器的具有挑战性的数据集类进行了测试,展示了在 NISQ 时代实现量子优势的潜在替代路径。
Nov, 2023
我们证明了遗传算法可以在深度人工神经网络上实现良好的性能表现,即使没有梯度信息支持,我们使用深度遗传算法结合新颖搜索技巧在具有挑战性的深度强化学习问题上获得了成功,并且速度比其他算法更快,能够实现高效编码。
Dec, 2017
本文介绍了一种利用同一或几乎相同的架构的方法来估计量子测量期望值的梯度,以优化杂化量子 - 经典算法的目标函数,尤其适用于量子化学、药物发现和机器学习等领域。
Nov, 2018
多智能体强化学习中的量子强化学习通过使用量子力学的内在属性降低了模型的可训练参数,我们基于无梯度量子强化学习的现有方法,并通过变分量子电路的树状方法提出了多智能体强化学习的方法,使用进化优化算法,我们在 Coin Game 环境中评估了我们的方法并将其与经典方法进行比较,研究表明我们的变分量子电路方法相比于具有相似可训练参数数量的神经网络表现出更好的性能,并且相对于更大的神经网络,我们的方法使用较少的参数实现类似的结果,减少了 97.88% 的参数。
Nov, 2023
本研究说明了一种基于进化策略的深度强化学习方法可以通过优化全部群体的平均奖励来寻找具有鲁棒性的神经网络参数,这种鲁棒性在不同领域的应用中得到了证实。与传统的有限差分法相比,这种方法不仅可以使搜索空间不同,也可以寻找不同属性的网络。
Dec, 2017
本文提出一种使用经典神经网络协助量子学习的元学习方法,通过训练经典递归神经网络对 Quantum Approximate Optimization Algorithm (QAOA) for MaxCut,QAOA for Sherrington-Kirkpatrick Ising model 以及 Hubbard model 的参数进行快速优化,以减少优化迭代次数。同时,发现该方法可以推广到其他问题类型,使得量子学习更加高效。
Jul, 2019