Jul, 2023

具有编码数据结构的变分量子回归算法

PDF
TL;DR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。
variational quantum algorithmsquantum regression algorithmmodel interpretabilitycompressed binary encodingensemble model training
发现论文，激发创造
  • 数据编码对变分量子机器学习模型表达能力的影响

    本文研究了数据编码策略对参数化量子电路作为函数逼近器的表达能力的影响，发现量子模型可以被自然地写成数据的部分傅里叶级数，通过多次反复简单的数据编码门，量子模型可以访问越来越丰富的频率光谱，发现存在一些量子模型可以实现所有可能的傅里叶系数集，因此如果可访问频谱足够丰富，则这些模型是通用函数逼近器。

    Aug, 2020

  • 基于混合量子计算的非线性回归

    该研究论文提出了一种将非线性引入量子机器学习中的方法，使用特征映射将经典数据导入到量子状态中，并基于混合量子计算机进行实现，提出了可实现著名的多项式回归和高斯核岭回归的编码方案，其处理信息效率具有指数级加速并且适用于大规模数据集。

    Aug, 2018

  • 变分贝叶斯量化

    我们提出了一种新颖的算法来量化训练模型中的连续潜在表达式，该算法适用于深度概率模型，可以实现数据和模型压缩，并且可以基于后验不确定性使用自适应量化精度来实现可变的码率失真折衷，实验证明了所提出的算法的有效性。

    Feb, 2020

  • 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

  • 量子变分自编码器

    使用量子玻尔兹曼机实现的量子变分自编码器（QVAE）比仅涉及生成过程中的离散变量的相似方法在 MNIST 数据集上实现了最先进的性能。将 QBM 放置在 VAE 的潜在空间中将充分发挥当前和下一代量子计算机作为采样设备的潜力。

    Feb, 2018

  • 学习优化变分量子电路来解决组合问题

    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

  • 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

  • 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

  • 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

  • 变分量子算法

    该文综述了 VQAs 领域，讨论了克服困难的策略，并突出了使用 VQAs 获得量子优势的激动人心前景。

    Dec, 2020