Nov, 2022
量子深度梦境:一种新颖的量子电路设计方法
Quantum Deep Dreaming: A Novel Approach for Quantum Circuit Design
Romi Lifshitz
TL;DR本文提出了量子深度梦想算法(Quantum Deep Dreaming,QDD),通过在经过训练的神经网络上采用 “深度梦想” 技术,可以为指定目标生成最优的量子电路体系结构,例如准备基态,同时提供有关电路设计过程的见解。
Abstract
One of the challenges currently facing the quantum computing community is the
design of quantum circuits which can efficiently run on near-term quantum
computers, known as the →
quantum computingquantum circuitsquantum compiling problemvariational quantum eigensolverquantum deep dreaming
发现论文,激发创造
用于深度强化学习的变分量子电路
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
深度强化学习的量子电路优化
本研究使用基于强化学习的方法对量子电路进行优化,通过深度卷积神经网络,实现了对于特定架构的任意量子电路的自主学习及优化。对 12 比特电路进行实验得出优化效果,平均深度降低 27%,门数降低 15%,并探讨了方法在近期量子设备上的可行性。
Mar, 2021
深度量子图探索:解读神经网络对量子实验的洞察
使用可解释性人工智能技术(XAI)的深度学习神经网络,通过训练神经网络来研究量子光学实验的学习特性,发现在网络的不同层次中能够识别出简单和复杂的量子结构,甚至量子纠缠。这种方法可应用于发展基于人工智能的量子物理学科学发现技术,并提供更可解释的方式。
Sep, 2023
强化学习用于变分量子电路架构优化
本论文提出了一种基于强化学习的算法,能够自主探索合适的变分预测模型,同时最小化电路的深度并增加结果的精度,在锂氢分子比较经典的量子计算基准问题上取得了化学精度和最先进的电路深度优化结果。
Mar, 2021
模块量子架构中基于注意力机制的深度强化学习用于量子比特分配
利用深度强化学习的方法,以及模块化分布式体系结构,提出了一种高效的量子电路编译和映射的新型学习启发式方法,以解决量子计算系统中的通信最优化问题。
Jun, 2024
深度卷积神经网络的量子算法
该研究论文提出了一种基于量子计算的卷积神经网络(QCNN)算法,能够应用和训练深度 CNN,并通过引入非线性和池化操作打破传统的限制,以更高效地进行图像识别,同时也介绍了新的量子测量及概率采样算法。
Nov, 2019