Feb, 2023

可生成可逆的量子神经网络

PDF
TL;DR我们提出了一种量子门算法，称为量子可逆神经网络（QINN），并将其应用于 LHC 数据中的粒子对撞机精密测量的标准参考过程 - 带有衰变到轻子的 Z - 玻色子的喷注相关产生。我们在不同损失函数和训练场景下比较了 QINN 的表现，并发现在此任务中，混合量子可逆神经网络与学习和生成复杂数据方面性能相当于一个显著更大的纯经典可逆神经网络。
invertible neural networksquantum invertible neural networklhc dataz-bosonhybrid qinn
发现论文，激发创造
  • 基于物理信息可逆神经网络的高效贝叶斯反问题推断

    提出了使用物理知识的可逆神经网络 (PI-INN) 来解决贝叶斯反问题的新方法，其中包括 INN 和 NB-Net 两个子网络来提高估计后验概率分布的可行性，并采用新的独立损失项来保证 INN 输出的统计独立性，通过数值实验验证了其高效性和准确性。

    Apr, 2023

  • 可扩展的量子卷积神经网络

    提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 QNN 的局限性。

    Sep, 2022

  • 相干前馈量子神经网络

    我们提出了一种真正的量子神经网络模型，其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性，并且具有较低的电路深度和所需的 C-NOT 门数量，从而优于现有的量子神经网络模型。通过对基准数据集进行测试，我们证明了我们的方法的优越性能，并且使用更少的量子资源要求，为将量子神经网络应用于实际相关的机器学习问题铺平了道路。

    Feb, 2024

  • 基于条件逆神经网络的多样化图像到图像转换

    介绍了一种新的结构，称为条件可逆神经网络（cINN），并将其用于解决自然图像的多样化图像到图像的转化任务。cINN 结合了纯生成 INN 模型和一个无限制的前馈网络，有效地将调节图像预处理为最大信息特征。通过最大似然优化，稳定地联合优化 cINN 的所有参数。利用双向 cINN 结构，进一步探索和操作潜在空间的新兴属性，例如以直观的方式更改图像风格。

    May, 2021

  • 不变量和等变量的经典与量子图神经网络比较

    机器学习算法、图神经网络、量子计算、等变图神经网络和二元分类任务是本文的关键词和研究主题。

    Nov, 2023

  • 可逆神经网络中爆炸反演的理解和缓解

    本文研究了可逆神经网络的数值稳定性，发现常用结构存在逆爆炸现象及无法逆运算等问题，针对不同问题提出了逆问题的解决方法，证明了构建稳定可逆神经网络是重要的。

    Jun, 2020

  • 关于量子神经网络的可学习性

    本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效模拟。

    Jul, 2020

  • 高效密度型量子机器学习训练

    量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络，一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络，并允许在表达能力和高效可训练性之间进行折中，特别适用于量子硬件。我们通过将其应用于两个最近提出的模型族来展示该形式化方法的灵活性。第一个是具有有效可训练性但表达能力可能受限的交换块量子神经网络 (QNNs)。第二个是正交 (保持汉明权重) 量子神经网络，它在数据上提供了定义明确且可解释的转换，但在量子设备上进行大规模训练具有挑战性。密度交换块 QNNs 增加了容量，几乎没有梯度复杂度增加，而密度正交神经网络减少了梯度查询的复杂度，几乎没有性能损失。我们通过对具有超参数优化的合成平移不变数据和 MNIST 图像数据进行数值实验来支持我们的发现。最后，我们讨论了与后变分量量子神经网络、基于测量的量子机器学习和辍学机制之间的联系。

    May, 2024

  • $\mathbb {Z}_2\times \mathbb {Z}_2$ 量子神经网络：与经典神经网络的基准测试

    该研究通过对比分析了等变量量子神经网络（EQNN）和量子神经网络（QNN）与它们的经典对应物等变量神经网络（ENN）和深度神经网络（DNN）的性能，在模型复杂度和训练数据集的大小方面，通过两个玩具示例的二分类任务对每个网络的性能进行了评估。我们的结果表明，Z2×Z2 EQNN 和 QNN 在较小参数集和适度训练数据样本的情况下提供了更好的性能。

    Nov, 2023

  • 单量子比特本地量子神经网络的能力和局限性

    本文提出了一个理论框架，针对由替换编码电路块和可训练电路块组成的数据重新上传量子神经网络的表达能力进行研究，并证明了单量子比特量子神经网络可以通过将模型映射到部分傅里叶级数来逼近任何一元函数，并讨论了单量子比特本地 QNN 逼近多元函数的局限性。通过数值实验展示了单量子比特本地 QNN 的表达能力和局限性。

    May, 2022