用于学习量子信道编码的量子自编码器
本篇论文研究使用经典的优化算法来训练量子自编码器,从而实现对量子数据进行压缩和简化处理,且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。
Dec, 2016
本文主要讨论了量子神经网络(Quantum Neural Networks)在监督学习任务中的不同结构和编码策略,并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能,以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。
Jun, 2022
本文提出了一种基于混合量子自编码器的 QML 算法,旨在在经典描述的空间中学习识别和分类量子态的特征属性,为聚类和半监督分类提供了一种新的方法,该方法针对的是幅度编码的量子态,可以应用于非平凡的量子数据集的结构分析。
Jul, 2021
设计了一个集成预处理和量子分类算法的可训练模型,即引导量子压缩模型,来解决量子机器学习算法使用经典自动编码器作为独立预处理步骤可能导致分类性能下降的问题,并通过应用于 LHC 的质子 - 质子碰撞中的希格斯玻色子识别,展示了该模型在解决分类问题上的优越性能。
Feb, 2024
该研究表明机器学习可以被用于识别量子通信中的重要协议,包括量子纠缠、量子隐形传态、量子中继,同时可以找到改进长距离通信方案的方法,并通过使用 projective simulation 模型的学习代理训练,以用于将机器学习引入量子网络设计与实现中。
Apr, 2019
该论文介绍了首个用于三维点云的量子自动编码器,通过在模拟的基于门的量子硬件上进行实验,证明了该方法优于简单的经典基准模型,为三维计算机视觉领域开辟了新的研究方向。
Nov, 2023
通过使用压缩数据和自动编码器结合量子组件,我们的研究表明在混合迁移学习中,经典组件显著影响分类结果,而这一贡献常常被错误地归因于量子元素。我们的模型表现与使用幅度嵌入的变分量子电路相一致,将其定位为一种可行的替代方案。
Nov, 2023
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
该综述论文介绍了混合量子 - 经典系统的模型和组件,并讨论了它们在监督式学习、生成建模等数据驱动任务中的应用,预示着这个迅速发展的领域将有广泛的现实应用。
Jun, 2019
本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法,该算法可以训练具有未知信道模型或具有不可微分组件的通信系统,并在软件定义无线电上实现,并在同轴电缆和无线信道上实现了最先进的性能。
Dec, 2018