QuEst: 量子电路可靠性估计的图形变换器
本文介绍了将量子电路信噪比预测问题转化为时间序列预测问题的方法,通过 LSTM 神经网络的强大功能来解决。引入了建立训练电路数据集和 LSTM 架构的完整工作流程,包括计算量子电路保真度的直观方法。通过 QASMbench NISQ 基准套件的评估,Q-fid 的预测精度平均 RMSE 达到 0.0515,比默认的 Qiskit transpile 工具 mapomatic 高达 24.7 倍。将其用于寻找高保真度电路布局时,Q-fid 对于前 10% 的电路布局的预测精度平均 RMSE 为 0.0252,比 mapomatic 高达 32.8 倍。
Mar, 2023
本研究提出了一种名为 AltGraph 的搜索型电路转换方法,使用现有的生成图模型生成等效的量子电路。使用三个主要的图模型:DAG Variational Autoencoder (D-VAE)、Gated Recurrent Unit (GRU) 和 Graph Convolutional Network (GCN),以及 Deep Generative Model for Graphs (DeepGMG)。AltGraph 比原始转换电路平均减少 37.55% 的门数量和 37.75% 的电路深度,且平均密度矩阵均方误差 (MSE) 仅为 0.0074。
Feb, 2024
该论文提出了一种处理量子机器学习中普遍存在的不确定性的通用方法学,该方法可以在训练数据量有限、量子计算硬件噪声存在的情况下可靠地度量量子模型的不确定,并基于概率共同预测来达到对真实目标的可信度量。
Apr, 2023
量子机器学习研究了快速化和精确推断方法,通过对 MNIST 和 MNIST Fashion 数据集进行实验,证明了反向训练对于提高单个样本推断准确性的有效性。
Oct, 2023
利用 Transformer 机器学习架构生成更真实的量子线路数据集,通过 KetGPT 工具生成以人类编写的基于算法的代码结构为基础的 OpenQASM 语言的合成线路,可用于评估量子系统的性能,并为 AI 驱动的量子编译器和系统做出重要贡献。
Feb, 2024
我们介绍并实验测试了一种基于实际硬件的训练程序得出的预期性能估计来排名逻辑上等效的量子电路的机器学习方法。我们将该方法应用于布局选择问题,在给定设备上将抽象的量子比特分配给物理比特。在 IBM 硬件上进行的电路测量表明,逻辑上等效的布局的最大和中位保真度可以相差一个量级。我们引入了一个用于排名的电路得分,该得分以基于物理的现象学误差模型进行参数化,其参数通过使用测量数据集上的排名损失函数进行拟合。数据集包括在 IBM 硬件上执行的具有多样结构的量子电路,使得该模型能够将实际设备噪声和误差的上下文特征纳入其中,而无需执行指数成本的重建协议。我们在 16 比特 ibmq_guadalupe 设备上进行模型训练和执行,并将我们的方法与两种常见方法进行比较:随机布局选择和名为 Mapomatic 的公开基准。我们的模型始终优于这两种方法,预测的布局噪声更低,性能更高。特别地,相对于基线方法,我们的最佳模型使选择错误减少了 1.8 倍,而相对于随机选择则减少了 3.2 倍。除了提供一种新的预测性量子表征、验证和验证方法外,我们的结果还揭示了背离简单代理测量所推断性能估计的依赖上下文和相干门错误的特定方式。
Apr, 2024
本研究提出了一种基于量子自然语言处理 (QNLP) 的方法,用于构建量子机器学习模型,该模型可以将 SQL 查询按照执行时间和基数进行分类。该模型与现有的 QNLP 模型在分类任务中具有类似的准确性,实验结果表明,QNLP 模型可以成功应用于不属于 QNLP 领域的问题。本文还分析了该量子机器学习模型的表达能力和纠缠能力直方图,结果表明其具有适宜的表达能力和纠缠能力,足以在量子硬件上执行。
Jun, 2023
量子机器学习模型与经典机器学习模型相似和不同的对抗鲁棒性进行了系统调查,使用了传递攻击、扰动模式和 Lipschitz 界限的方法。发现正则化有助于增强量子网络的鲁棒性,对 Lipschitz 界限和传递攻击有直接影响。
Apr, 2024