逆问题中的自动微分及其在量子传输中的应用
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
本文为机器学习算法中广泛应用的迁移学习的概念扩展到了由经典和量子元素组成的混合神经网络的新兴领域,提出了不同实现混合迁移学习的方法,并重点关注了现代量子技术下,经典网络的预处理和优化加上量子算法处理的优秀组合,提供了图像识别和量子态分类等方面的几个案例,利用 PennyLane 软件库在 IBM 和 Rigetti 提供的两种不同的量子计算机上进行了测试。
Dec, 2019
本研究提出了一种用于转移学习的物理学启发式神经网络(PINNs)通用框架,可用于解决普通和偏微分方程线性系统的一次推断,解决了传统数值方法的许多问题,并通过解决多个实际问题展示了这一神经网络的高效性。
Oct, 2021
本研究分析了物理和神经网络的优化特征,并结合了经典网络和物理优化器的原则,基于Jacobian的半反演提出一种新方法,比目前最先进的神经网络优化器更快地收敛并产生更好的解决方案,此方法在非线性振荡器,Schroedinger方程和泊松问题的三个复杂学习问题上得到了验证。
Mar, 2022
该研究提出了一种新的方法来创造一对概率分布,以测试现有的神经EOT / SB求解器在高维空间中图像的EOT解决方案,通过该连续基准分布,已知其EOT和SB解决方案。
Jun, 2023
用量子Chebyshev特征映射来解微分方程,通过求和保里Z算符的张量积作为测量可观测量的改变,提高了精度和计算时间,在处理初始值问题时使用浮动边界处理。在复杂动力学和微分方程系统的求解上进行了测试,另外,我们提出了加入纠缠层以提高精度而不增加可变参数的方案。此外,还结合了物理信息神经网络的改进自适应方法来平衡多目标损失函数。最后,提出了一种新的量子电路结构来逼近多变量函数,并测试了在求解2D Poisson方程时的效果。
Dec, 2023
均衡传播是最近介绍的一种使用和训练人工神经网络的方法,在该方法中,网络处于能量泛函的极小值(更一般地是极值)状态。均衡传播在许多基准任务上显示出良好的性能。本文将均衡传播在两个方面进行了扩展。首先,我们展示了均衡传播的一个自然量子泛化,其中量子神经网络被认为处于网络哈密顿算子的基态(更一般地说是任意的特征态)状态,并利用了均能量在特征态上的极值训练机制。其次,我们扩展了均衡传播的温度有限的分析,显示了热波动使得在训练过程中无需夹紧输出层的网络自然训练。我们还研究了均衡传播的低温极限。
May, 2024
本研究旨在应用量子计算技术解决电力系统仿真问题,通过引入两种新型量子神经网络(Sinusoidal-Friendly QNN和Polynomial-Friendly QNN)来优化解决微分代数方程的传统模拟技术,并成功地在两个小型电力系统中应用这些量子神经网络进行仿真,表明其在精度上具有潜力,且进一步研究了各种配置来优化量子神经网络解决微分代数方程的效果,这不仅是量子计算在电力系统模拟中的首次尝试,还拓展了量子技术在解决复杂工程问题上的潜力。
May, 2024