基于量子计算基准测试的预测模型
本文研究了参数化量子电路的逐层学习策略,并表明此策略相对于标准学习方案更适用于执行于噪声中等量子设备上,可以在手写数字图像分类任务中实现更低的泛化误差,在比同等大小的量子电路训练更少的参数的情况下,达到更低的测试误差。
Jun, 2020
提出了 QuantumNAS,这是一个噪声自适应联合搜索变分电路和量子比特映射的全面框架,使用多层预定义参数化门构建SuperCircuit,并通过迭代参数子集的采样和更新进行训练,最终通过演化联合搜索刻画了SubCircuit的性能和其量子比特映射,最后通过迭代门修剪和微调去除冗余门,相较于基线方案,在12个用例上显著提高了性能,并达到了QML的精度水平。
Jul, 2021
本文探讨了如何使用人工神经网络学习量子计算机处理器的能力函数,并使用卷积神经网络模拟了计算器的能力,结果表明在遇到门依赖型、时间依赖型和上下文相关的随机误差时,卷积神经网络可以准确地模拟处理器的能力。
Apr, 2023
量子计算是一个快速发展的领域,信息是由二级量子态(qubits)处理的,当前对qubits物理实现的要求需要通过不同实验精确校准,以克服噪声和失相现象,其中对测量状态进行分类的模型开发是关键一步,本文基于真实的量子设备对多种分类技术进行了基准测试。
Sep, 2023
今天的量子计算机是否能通过传统方法的量子错误纠正来解决量子计算机的潜在困难是一个挑战,但机器学习为量子错误纠正提供了潜在解决方案,通过模拟和实验,机器学习在100量子位的量子计算机上得到了许多正面结果,并且展现了在各种量子电路和设备噪声情况下的潜力。
Sep, 2023
通过经典模拟进行基准测试是在没有无噪声硬件之前评估量子机器学习想法的主要方法之一。然而,实验设计的巨大影响、当今可行范围内的小规模以及受量子技术商业化影响的叙事使得难以获得稳健的见解。为了促进更好的决策,我们开发了一个基于PennyLane软件框架的开源包,并使用它对12个流行的量子机器学习模型在6个二分类任务上进行了大规模研究,这些任务用于创建160个单独的数据集。我们发现整体而言,开箱即用的经典机器学习模型优于量子分类器。此外,将一个量子模型中的纠缠去除往往会导致同样好或更好的性能,这表明在这里考虑的小学习任务中,“量子性”可能不是关键因素。我们的基准测试还开启了超越简单排行榜比较的研究,并从我们的结果中提出了五个与量子模型设计相关的重要问题。
Mar, 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
用新的有关量子物理的神经网络架构学习能力模型,实现了在实验数据和模拟数据上均比基于卷积神经网络的最新模型取得了约50%的平均绝对误差的减少。
Jun, 2024