量子变分和量子启发式聚类
提出了一种名为 ClusterVQE 的新算法,该算法利用量子互信息来将初始量子位空间分割为子空间(量子集群),这些集群进一步分布在单独的(更浅的)量子电路中,并且通过新的 “dressed” 哈密顿量考虑了不同集群之间的纠缠,从而实现了电子结构计算中 VQE 量子电路复杂度的降低。
Jun, 2021
利用量子支持向量机和变分量子线性求解器,我们提出了一种用于处理分类问题的新颖方法,并在 Noisy Intermediate Scale Quantum (NISQ) 设备上进行了全面的数值实验,通过构建一个分类器,实现从一个到七个维度的特征空间的分类。
Sep, 2023
本文讨论了量子算法中的优化问题,并提出了一种基于量子 - 经典混合的优化方案,其中包括变分绝热量子算法和单粒子门晶格,通过拟合和消除误差和采用现代没有导数的优化技术来节省计算成本。
Sep, 2015
采用参数量子电路迭代地获得变分态,考虑噪音和量子测量结果的随机性,使用与变分态相关的量子费舍尔信息界限定结果精度,并通过实验展示该算法在不同噪声强度下的鲁棒性。
Dec, 2019
该研究提出了一种基于参数化量子神经网络的无监督学习方法,名为变分降噪,用于改善含有噪声的 Variational Quantum Eigensolver(VQE)模型的输出结果,在 H2 和 LiH 分子哈密顿量的能量估计和保真度方面比噪声输入数据具有更高的准确性和有效性,并且可以将变分降噪集成到量子硬件中,提高了量子硬件的多样性和端到端的量子处理能力。
Apr, 2023
通过渐进增加量子比特的数目,同时采用张量网络表示方式和对实际系统对称性的保留,我们提出了一种方法来研究近期噪声中等规模量子计算机上的量子多体系统的基态性质,并在实用场景中展示了其可行性。
Feb, 2019
引入了一种等变结构的变分量子分类器,用于具有 $C_4$ 旋转标签对称性的图像分类,实验证明了等变的方法能够提升模型性能,最后还提出了一种经典等变卷积操作用于处理更大的图像。
Mar, 2024
利用神经网络进行零噪音外推,以改善量子计算中噪音对算法准确性和可靠性的限制,展示了使用这种方法在噪音环境下进行量子计算的效果,为在嘈杂的设备上提高 Variational Quantum Eigensolver 计算的准确性铺平了道路。
Mar, 2024
本文研究了变分量子电路在深度强化学习中的应用,利用量子信息编码方案减少模型参数,用经验回放和目标网络重塑经典深度强化学习算法,成功证明了变分量子电路可以用于决策制定和政策选择强化学习,适用于许多即将到来的近期量子计算机。
Jun, 2019