May, 2023

基于注意力机制的 Transformer 网络用于量子态重构

PDF
TL;DR通过利用 Transformer 模型来捕捉不同测量结果之间的相关性，本研究提出了一种基于注意力机制的量子状态重构方法，能够高效地恢复纯态和混合态的密度矩阵。
neural networksquantum state tomographytransformer networkattention-based methoddensity matrices
发现论文，激发创造
  • 学习量子态重建的信息化潜变量表示

    我们提出了一种基于变压器的自编码器架构，针对含有不完美测量数据的量子态重构问题进行了优化，通过提取信息丰富的潜在表示来预测量子态。通过在预训练中使用重构高质量频率的预设任务，我们的方法在量子态重构中表现出了显著的能力。

    Sep, 2023

  • 利用神经网络进行自适应量子态重构

    本文提出 ‘ NA-QST’ 算法，使用机器学习、粒子群优化和贝叶斯粒子滤波方法，降低了从 O（poly（n））到 O（log（n））的复杂度，使量子态重构的速度快了数百万倍，精度不受影响。同时讨论了在各类射影测量值的情况下的适应性。

    Dec, 2018

  • 量子态重构的量子机器学习方法

    我们提出将量子机器学习技术与量子态测量 (QST) 相结合，以提高 QST 的效率，通过综合研究了 QST 的多种方法，并实现了不同的量子机器学习方法，并在各种模拟和实验量子系统上展示了其有效性，包括多量子比特网络，结果表明，我们基于量子机器学习的 QST 方法可以以较少的测量次数实现高保真度 (98%)，为实际量子信息处理应用提供了有希望的工具。

    Aug, 2023

  • SASQuaTCh：一种带有基于核的自注意力的新型变分量子变换器架构的学习

    利用基于核操作学习的自我注意力机制的量子电路，我们提出了 Self-Attention Sequential Quantum Transformer Channel (SASQuaTCh) 模型，该模型能够有效地表示视觉变换网络的深层特征，并展示其在简化分类问题上的实用性。

    Mar, 2024

  • 量子混合态自注意力网络

    本研究介绍了一种新颖的量子混合态注意力网络（QMSAN），将量子计算原理与经典机器学习算法，特别是自注意力网络相结合，以增强处理自然语言处理任务的效率和效果。实验证实 QMSAN 模型在文本分类方面优于现有的量子和经典模型，显著提高了性能，对低噪声具有良好的鲁棒性。

    Mar, 2024

  • 实验性神经网络增强量子测量

    通过训练神经网络来减少 SPAM 错误，可以提高量子态重建的保真度。

    Apr, 2019

  • 文本分类的量子自注意神经网络

    本文提出了一种名为 QSANN 的量子自我注意神经网络，它将自我注意机制引入到量子神经网络中，通过高斯投影解决了诸如大规模数据集和句法依赖性网络结构等限制；QSANN 在公共数据集的文本分类任务中表现优越，且具有鲁棒性和可扩展性。

    May, 2022

  • Transformer 架构所需的量子线性代数

    生成式机器学习方法如大型语言模型正在革新文本和图像的创作。本研究通过容错性量子计算的视角来调查变压器架构。通过将预训练的权重矩阵作为区块编码来构建变压器的查询、关键和值矩阵。我们展示了如何使用 Hadamard 乘积对自注意矩阵的行逐行应用 softmax 函数来准备区块编码。此外，我们结合了量子子程序来构建变压器中的重要构件，包括残余连接、层归一化和前馈神经网络。我们的子程序准备了变压器输出的振幅编码，可以进行测量以获得预测结果。我们讨论了获取量子优势的潜力和挑战。

    Feb, 2024

  • 神经密度算子的潜空间净化

    本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨，其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化，本方法能够较好地应用于混合状态的编码，可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态，达到了与标准技术相当的保真度。

    Jan, 2018

  • 使用张量网络实现量子机器学习

    本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

    Mar, 2018