随机梯度下降的量子核对齐
我们引入了一种革新性的量子增强支持向量机(QSVM)方法,利用量子计算和 GPU 加速来进行恒星分类,QSVM 算法在处理复杂的二元和多类别情况下显著优于传统方法,尤其是在哈佛恒星分类系统中。量子原理的整合显著提高了分类准确性,而使用 cuQuantum SDK 进行 GPU 加速确保了量子模拟器中大数据集的计算效率和可扩展性。这种协同作用不仅加快了处理过程,还提高了分类不同恒星类型的准确性,为天体物理学和相关科学领域的研究提供了量子机器学习的变革潜力,为恒星分类的精度和处理速度跃升到一个新的水平。这一进展对天体物理学和相关科学领域具有广泛的影响。
Nov, 2023
本文介绍了一种结合了近似梯度和最先进的基于梯度的优化算法的新方法,该方法在简单回归任务中的收敛速度和绝对误差方面超越了标准 SPSA 和参数偏移规则,而且在考虑了 shot- 和硬件噪声之后,优于 SPSA 和随机梯度下降方法。
Apr, 2023
本文针对 QSVM 模型的两种方法:量子核 SVM(QK-SVM)和量子变分 SVM(QV-SVM)进行研究,并提出了一种将二者优势相结合的新型模型:量子变分核 SVM(QVK-SVM)。实验结果表明,QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型,具有很大的应用潜力,值得被推广应用于未来的量子机器学习研究。
May, 2023
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
我们引入了四种用于训练神经支持向量机的算法,并证明了它们的可行性。在本文章中,我们引入了神经量子支持向量机,即使用量子核的 NSVM,并将我们的结果扩展到该设置中。
Aug, 2023
我们描述了一种用于训练支持向量机的绝热量子方法,该方法的量子计算时间复杂度比经典方法好一个数量级,我们在五个基准数据集上比较了量子方法和经典方法的测试准确度,在可扩展性研究中,我们发现量子方法在具有许多特征的数据集上比经典方法快 3.5-4.5 倍。
Jan, 2024
使用量子核对分类问题进行量子机器学习是一个正在快速发展的研究领域。我们提出了一种新的子采样训练方法,通过在每个训练步骤中使用核矩阵的子集,从而降低了训练的整体计算成本,并展示了在维持分类准确性的同时大幅减少了训练量子核所需电路数量的能力。
Jan, 2024
本文提出一种量子支持向量机分类器模型,实现有监督分类并取得了明显的量子加速,要求仅具备经典数据访问能力。在构造的数据集中,基于普遍认为的离散对数问题的困难性假设,该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数,并且将数据映射为一个量子特征空间。此外,该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。
Oct, 2020
本文探讨了量子机器学习的潜力,通过在 Qiskit 中利用多种特征映射技术对基因组序列分类,扩展、实现和评估了量子支持向量分类器(QSVC),Pegasos-QSVC,变分量子电路(VQC)和量子神经网络(QNN)等算法。
May, 2024