学习量子态复杂度调查
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
学习量子态和幺正算子的复杂度与创建这些态和算子的复杂度相关,量子状态重构和学习存在困难,但学习量子电路生成的态和幺正算子表明采样复杂度与门复杂度线性相关,查询复杂度与门数线性相关,而计算复杂度根据可信的加密猜想呈指数爆炸增长,这些结果限制了量子机器学习模型的表达能力,且对幺正算子学习中的 no-free-lunch 定理提供新的视角。
Oct, 2023
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
通过矩阵乘积态假设,提出了两种在一维量子系统中进行量子状态重构的方案,一种方案需要对恒定数量的子系统进行幺正操作,而另一种方案只需要进行局部测量及更复杂的后处理,两种方案仅依赖于线性数量的实验操作和多项式级别的经典后处理,可以无需任何先验假设地严格证明重构状态的准确性。
Jan, 2011
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
我们提出了两种基于神经网络的方法,用于纯态和混合态量子状态重构,并通过与现有神经网络方法的比较评估其有效性。我们证明了我们提出的方法在从实验数据中重建混合态量子状态方面可以达到最先进的结果。我们的工作强调了神经网络在革命性量子态重构和促进量子技术的发展方面的潜力。
Jul, 2024
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
基于研究对现代量子设备的实际限制如何影响量子学习的复杂性,通过自然环境中对多个副本进行测量和采用 Schur-Weyl 采样的方式,揭示了量子学习中量子复制与纠缠之间的平滑交换,特别是在拓扑近似条件下的观测联通性以及从最大混合态偏离程度的估计。
Feb, 2024