一种受魔方启发的 Clifford 合成方法
这篇论文通过高性能计算,对 Coxeter 变换进行了全面计算,通过监督和无监督机器学习的技术,展示了 Clifford 代数数据集可以用于机器学习,并揭示了这些新颖几何不变量与其他众所周知的几何不变量之间的关系。
Sep, 2023
本文提出了一种名为 QSeed 的基于机器学习的种子综合算法,通过学习量子数据集,能够快速地提出实现单位矩阵的资源有效电路,并在 64 个量子位 Shor 因子分解算法的核心组件中,将合成时间加速了 3.7 倍。
Jun, 2023
本文提出了一种基于深度强化学习的高效量子编译算法,该算法可以将任意单比特门编译成由有限通用基础门组成的门序列,并且适用于各种场景下。通过实际应用到拓扑编译的情况,得到了任意单比特酉变换的近似最优编织序列,展现了这种算法在量子物理中深度学习应用的前景。
Apr, 2020
通过使用强化学习方法,将其整合到量子传递工作流中,实现了量子电路的综合和路由优化,且在速度和优化的效果上明显超越其他方法,在实际的量子传递过程中显示出很高的实用性。
May, 2024
本文试图探究机器学习(具体而言是支持向量机)在选择算法和问题形式时的运用,分别在选择 Cylindrical Algebraic Decomposition(CAD)变量排序策略和识别哪些 CAD 问题实例可以从 Groebner Basis 预处理中获益两个方面进行了研究,并证明了机器学习在这两个方面的表现超过了人类开发的启发式算法。
Apr, 2018
本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法,将低深度的量子电路与经典计算机混合使用,实现了优化参数的迭代优化,从而实现了学习任务的同时避免高深度量子电路,并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数,为实现近期量子设备开展量子机器学习应用奠定了基础。
Mar, 2018