利用 Grover 算法模拟变分量子感知器
本文演示了量子计算如何提供感知器模型计算和统计复杂度的非平凡改进, 对感知器学习发展了两个量子算法,用于确定一个分离的超平面,并通过应用量子振幅扩大到感知器模型的版本空间诠释来实现准确度进一步的改进。
Feb, 2016
本文提出了一种用于监督学习的低深度可变量量子算法,其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类,从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟,该电路为标准经典基准数据集提供了很好的分类性能,而且需要的参数数量极少。
Apr, 2018
本文研究了量子计算对强化学习问题的潜在帮助,通过量子演化电路来解决强化学习问题,提出了使经典数据编码成量子演化电路的技术,并探索了 DQN 和 Double DQN 的量子算法。结果表明,使用量子演化电路可以更好地解决强化学习任务。
Aug, 2020
本文研究了变分量子电路在深度强化学习中的应用,利用量子信息编码方案减少模型参数,用经验回放和目标网络重塑经典深度强化学习算法,成功证明了变分量子电路可以用于决策制定和政策选择强化学习,适用于许多即将到来的近期量子计算机。
Jun, 2019
本文提出了两种基于机器学习的方法,采用强化学习 (RL) 框架和核密度估计 (KDE) 技术,分别用于优化 QAOA 电路,从小规模问题实例中学习,然后在较大的问题实例中使用,结果表明与其他现成的优化器相比,这两种方法可以将优化度缺口减少多达 30.15 个因子。
Nov, 2019
本文介绍了一种用于解决离散和连续状态空间的 RL 任务的训练方法,该方法基于深度 Q-learning 算法。研究通过消融研究探究了量子 Q-learning 算法的体系结构选择对于成功解决某些环境的重要性,并提出了用于选择适当的观测量的方法,以比较量子和经典 DQN 算法的性能.
Mar, 2021
应用 Shor 算法进行量子支持向量机的指数级加速并进一步利用 Grover 算法加速支持向量机的核函数,结合量子计算与经典方法提高分类器性能。
Sep, 2023
本文报道了第一个用可编程超导量子位的量子对抗学习实验,结果表明量子学习系统在对抗场景下存在一定的易受攻击性,并证明了对抗训练过程可以显著增强其抵御干扰性攻击的鲁棒性。
Apr, 2022
我们构建了一个量子回归算法并确定了变分参数与学习回归系数之间的直接关系,利用直接将数据编码到反映经典数据表结构的量子振幅的电路。该算法适用于连接良好的量子比特,具有对数级时间复杂度优势,并提供了与传统一热编码技术相比所需的物理比特数量显著减少的压缩二进制编码方法,同时还能进行非线性回归。通过在实践中从量子回归模型学习中进行重要特征选择的集成模型训练,我们能够减小硬件噪音的影响。
Jul, 2023
量子计算与混合量子经典计算结合的后变分策略,通过集成策略优化量子模型的方法以及构建个体量子电路的设计原则、后变分量子神经网络的架构设计以及估计误差的传播分析,能够应用于图像分类等实际应用,并实现 96% 的分类准确率。
Jul, 2023