Jun, 2023

变分量子算法的权重重新映射

PDF
TL;DR本研究通过使用 7 种不同的重量映射函数来对 8 个分类数据集进行评估，结果表明重量重新映射不仅可以增强 VQC 的收敛速度，而且在某些情况下还可以显著提高准确性。
variational quantum circuitsquantum machine learningweight re-mappingclassification datasetsvqc convergence
发现论文，激发创造
  • 强化学习中变分量子电路的优化技术研究

    量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。

    May, 2024

  • 通过正则化策略提高变分量子电路的可训练性

    在嘈杂中等规模量子（NISQ）时代，本研究提出一种使用先验知识和高斯噪声扩散来规范化模型参数的策略，以提高量子变分电路的可训练性并解决梯度问题。实验证明这种方法对超越经典模型的四个公共数据集的可训练性具有改进作用。

    May, 2024

  • 学习使用快速权重编程变分量子电路

    引入量子快速权重程序 (QFWP) 作为解决时间或序列学习挑战的方法。

    Feb, 2024

  • 具有编码数据结构的变分量子回归算法

    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

  • 通过顺序哈密顿装配改善 VQE 的参数训练

    在量子机器学习中，设计和训练参数化量子电路（PQCs）是一个主要挑战。本论文提出了一种顺序哈密顿组装方法，用于处理全局损失函数的参数训练，并通过实验结果证明了该方法在图着色问题中的有效性，表现优于传统的参数训练和层次学习方法，为解决消失梯度问题提供了一种局部感知的学习技术。

    Dec, 2023

  • 确定性进，确定性出：用于量子机器学习的 REVQC

    量子机器学习研究了快速化和精确推断方法，通过对 MNIST 和 MNIST Fashion 数据集进行实验，证明了反向训练对于提高单个样本推断准确性的有效性。

    Oct, 2023

  • Gym 中的量子代理：一种深度 Q-learning 的变分量子算法

    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

  • 基于电路的量子分类器

    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

  • 利用经典深度神经网络克服荒原高原问题

    本文提出了一种使用经典神经网络来生成量子电路参数的方法，以缓解 Barren Plateaus 现象，该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响，还能够在 VQA 训练期间减轻该影响，并展示了该方法在不同 CNN 架构下的表现。

    May, 2022

  • 量子神经网络压缩

    本文介绍了 CompVQC 框架，一种量子神经网络（QNN）压缩的系统性方法，使用交替方向乘子法（ADMM）的压缩算法，展示了 CompVQC 在减少电路深度（超过 2.5%）且精度损失极小（<1%）方面的优越性，另外 CompVQC 也提高了 QNN 在噪声量子设备上的鲁棒性。

    Jul, 2022