深度神经网络作为拓扑量子神经网络的半经典极限：泛化问题

MMOct, 2022

Deep Neural Networks as the Semi-classical Limit of Topological Quantum Neural Networks: The problem of generalisation

Antonino Marciano, Deen Chen, Filippo Fabrocini, Chris Fields, Matteo Lulli...

TL;DR基于拓扑量子场论的监督学习新框架被应用于理解深度神经网络的泛化问题。从拓扑量子神经网络的半经典极限解释了深度神经网络在训练阶段的过度拟合行为及相应的泛化能力。

Abstract

deep neural networks miss a principled model of their operation. A novel framework for supervised learning based on topological quantum field the

发现论文，激发创造

通过使用神经网络的通用逼近定理，本文提出了一种新的映射方法，将广义的量子力学系统转化为带有网络参数统计求和的神经网络形式，从而将机器学习与量子世界更加紧密地联系起来。

Mar, 2024

本论文探讨通过无监督学习将量子系统的哈密顿量近似重构，以实现神经网络对量子现象的认识及理解。

Jun, 2020

本文利用人工神经网络和机器学习研究了量子物理中的拓扑相，证明了短程神经网络能够精确有效地表示拓扑相的基态，能够描述受强相互作用影响非可积哈密顿量的拓扑相变，从而为通用格模型的拓扑相机器学习提供了指导。

Sep, 2016

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

我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

Nov, 2022

研究了一类可变量量子机器学习模型的梯度下降动力学特性，预测和表征了残余训练误差随系统参数的指数衰减规律，并通过数值实验验证了结果。

Mar, 2022

我们提出了一种量子神经网络，其中经典神经元通过添加辅助位变得可逆，然后被概括为量子可逆神经元，并能用梯度下降法在代价函数上有效地训练来执行量子推广的经典任务，例如压缩量子态和发现量子通信协议。

Dec, 2016

量子机器学习与经典机器学习中的核方法有相似之处，本研究探索了将经典神经网络与量子退火机连接的设置，并模拟了其在分类问题上的性能，发现加入小型量子退火机并不能显著提高性能。

Aug, 2023

本研究提出了一种新的量子神经网络模型，使用实际存在的环境诱导的退相干的量子系统上的 (经典控制的) 单量子比特操作和测量，从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。

May, 2023

本文主要讨论了量子神经网络（Quantum Neural Networks）在监督学习任务中的不同结构和编码策略，并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能，以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。

Jun, 2022