Jul, 2023

神经网络混合态重建的经验样本复杂度

PDF
TL;DR这项研究检查了不同的量子状态重构技术的性能，并证明了可以通过应用方差减少技术来系统地减少算法的量子资源需求。作者比较了两种主要的神经量子态编码方法，即神经密度算符和正算子值测量表示，并阐述了它们在混杂度不同的情况下表现出不同的性能。
quantum state reconstructionneural quantum statesmixed statesvariance reduction techniquesneural density operator
发现论文，激发创造
  • NISQ 时代量子态的机器学习

    论文综述了机器学习中生成建模技术在恢复实际、嘈杂和多量子比特量子态方面的发展，尤其是限制玻尔兹曼机器的理论，并演示了它在状态重建中的实际应用，从经典热力学分布的伊辛自旋开始，逐步移动到越来越复杂的纯态和混合量子态，通过对实验噪音中间规模量子设备的冷原子波函数重建的最近工作进行总结，最后讨论了未来在 NISQ 时代和以后使用机器学习进行状态重建的展望。

    May, 2019

  • 神经密度算子的潜空间净化

    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

  • 深度神经网络实现的通用量子测量

    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

  • 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

  • 基于机器学习的维度自适应量子态重构

    本文介绍了一种利用基于机器学习的重建系统，在只使用包含至少一个额外量子比特的系统训练的情况下，对 n 量子比特系统进行量子态重建的方法，证明了该方法比需要匹配模型维度的方法更节省资源。

    May, 2022

  • 利用神经网络进行自适应量子态重构

    本文提出 ‘ NA-QST’ 算法，使用机器学习、粒子群优化和贝叶斯粒子滤波方法，降低了从 O（poly（n））到 O（log（n））的复杂度，使量子态重构的速度快了数百万倍，精度不受影响。同时讨论了在各类射影测量值的情况下的适应性。

    Dec, 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

  • 学习神经量子态的几何学

    通过结合机器学习和量子 Monte Carlo 的见解，采用神经网络 Ansatz 状态的随机重构方法是量子多体问题高精度基态估计的一个有前途的新方向。虽然该方法在实践中表现良好，但对学习动态了解甚少。本文通过分析学习景观，揭示了算法的一些隐藏细节。

    Oct, 2019

  • 利用变分自动编码器学习困难量子分布

    研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。

    Oct, 2017

  • 神经网络量子多体基态振幅的变分优化

    神经网络量子态（NQSs）是通过结合传统方法和深度学习技术进行变分优化的一种新方法，用于找到量子多体基态，并逐渐成为传统变分方法的竞争对手。本文将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积，专注于振幅网络的优化，同时保持符号结构固定。我们的方法在三个典型的量子多体系统上进行了测试，所得到的基态能量低于或与传统变分蒙特卡罗（VMC）方法和密度矩阵重整化群（DMRG）相当。令人惊讶的是，在受挫型海森堡 $J_1$-$J_2$ 模型中，我们的结果优于文献中复值卷积神经网络，这意味着复值 NQS 的符号结构很难被优化。我们将来将研究 NQS 的符号结构优化。

    Aug, 2023