May, 2023

关于量子反向传播、信息重用和非法的测量坍缩

PDF
TL;DR研究表明，量子模型必须具备多个量子态副本的特征，才能像经典神经网络一样实现反向传播训练，并且引入了一种基于 “影子成像” 的算法，将经典辅助计算成本降至影子成像在开放问题中的范畴，为量子机器学习带来了新的挑战。
deep learningbackpropagationneural networksquantum informationmachine learning
发现论文，激发创造
  • 量子深度学习通用训练算法

    介绍了 Baqprop 并提出了两种优化策略：Quantum Dynamical Descent （QDD）和 Momentum Measurement Gradient Descent （MoMGrad），这两种策略可以用于量子计算的参数优化和神经网络的优化。

    Jun, 2018

  • 走向物理上可实现的量子神经网络

    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

  • 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

  • 深度量子神经网络中梯度测量效率与表达能力的权衡

    量子神经网络（QNNs）需要一种高效的训练算法以实现实际的量子优势。我们提出了一种通用的权衡关系，即高测量效率会导致较低的表达能力，而减少 QNN 的表达能力可以提高梯度测量效率，同时提出了一种称为稳定 - 逻辑乘积 ansatz 的 QNN 设计方案，可以实现权衡不等式的上限，在学习未知对称函数时显著减少了量子资源需求，保持了准确性和可训练性。

    Jun, 2024

  • 量子状态的可学习性

    利用计算学习理论，本文证明：对于大多数实际目的，传统的量子态重构只需测量数量呈线性增长关系，而非指数函数关系；同时，该定理可应用于量子计算的模拟和验证领域。

    Aug, 2006

  • 使用循环神经网络从物理观测重构超导量子比特的量子动力学

    本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。

    Nov, 2018

  • 量子信息科学中的数据中心机器学习

    提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言，我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性，而不改变底层架构。

    Jan, 2022

  • 量子态的实验学习

    本研究着重于探讨 “计算学习理论” 在探究量子信息中的应用，发现在概率性的前提下，仅通过线性数量的测量即可近似学习量子态，实验结果在光学系统中展示了线性比例的特点，为量子状态探究开辟了新的大规模可能性。

    Nov, 2017

  • 理解量子机器学习需重新思考常规泛化

    通过系统随机实验，我们展示了目前理解广义学习的传统方法无法解释量子模型的行为，并揭示出量子神经网络具有记忆随机数据的能力。同时，我们展示了量子神经网络可以适应任意标签的量子状态，并且这些结果阐明了量子机器学习中广义学习理解的基本挑战。

    Jun, 2023

  • 量子状态的实验机器学习

    本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。

    Dec, 2017