深度量子神经网络构成高斯过程
我们研究了使用参数化单量子比特门和固定双量子比特门构建的量子神经网络,研究表明在无限宽度限制下,随机初始化参数的未训练网络生成的函数的概率分布收敛于高斯过程。通过梯度下降法对网络进行训练时,网络可以完美拟合训练集,并且训练后生成的函数概率分布仍然收敛于高斯过程。测量结果的统计噪声对网络的影响在多项式数量的测量下是可忽略的,而且网络的训练时间也是多项式级别的。
Feb, 2024
通过使用神经网络的通用逼近定理,本文提出了一种新的映射方法,将广义的量子力学系统转化为带有网络参数统计求和的神经网络形式,从而将机器学习与量子世界更加紧密地联系起来。
Mar, 2024
本文提出了一种基于带限傅里叶展开的量子感知器(QPs)转移函数的模型,用于设计可扩展的训练过程的量子神经网络(QNNs),并在其中添加了一种随机化的量子随机梯度下降技术,消除了样本复制的需要,并证明该训练过程期望收敛于真实最小值,这有助于提高数据效率和遵守禁止复制规则。
Mar, 2022
本文开发了一个不可能定理,证明了使用量子神经网络(QNNs)从高保真度的初始状态开始,学习未知量子态的概率随比特数指数级下降,而与电路深度多项式增长,从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制,并深化了先验信息在 QNNs 中的作用的理解。
Sep, 2023
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
研究使用高斯过程模拟神经网络的兴趣越来越浓厚,本研究针对具有单隐藏层的大规模有限完全连接网络展示了输出在初始化时的高斯分布,同时发现该扰动的尺度与神经网络单元的数量成反比例关系,高阶项逐渐衰减,进而回复到 Edgeworth 扩展的形式;最后观察到理解该扰动在训练期间如何改变,将有助于展示高斯过程框架在模拟神经网络行为时的适用范围。
Aug, 2019
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
高斯过程是机器学习中常用的概率模型之一,本研究提出了一种基于希尔伯特空间逼近的量子算法,用于解决高斯过程回归中数据集规模大导致的计算复杂性问题。该方法结合了经典基函数展开和量子计算技术,利用量子主成分分析、条件旋转、Hadamard 和 Swap 测试等技术来评估高斯过程的后验均值和方差,从而实现了多项式的计算复杂性降低。
Feb, 2024
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
本文研究了嘈杂中等规模量子设备的参数化量子电路的梯度估计和优化问题。作者指出,由于希尔伯特空间的指数维度和梯度估计复杂度,随机电路不适用于超过少量量子比特的混合量子 - 经典算法。
Mar, 2018