Jul, 2023

一种新颖的时空变分量子电路，在 NISQ 设备上实现深度学习

PDF
TL;DR使用 ST-VQC 设计空间 - 时间深度学习量子电路，在 IBM 量子处理器上实现超过 30％的准确性提升，并在非线性合成数据集上比线性分类器提高 27.9％的性能。
quantum computingmachine learningvariational quantum circuits (vqcs)st-vqcnon-linearity
发现论文，激发创造
  • 用于深度强化学习的变分量子电路

    本文研究了变分量子电路在深度强化学习中的应用，利用量子信息编码方案减少模型参数，用经验回放和目标网络重塑经典深度强化学习算法，成功证明了变分量子电路可以用于决策制定和政策选择强化学习，适用于许多即将到来的近期量子计算机。

    Jun, 2019

  • 进化增强的量子监督学习模型

    本研究提出了一种创新的方法，利用进化增强的无参数化电路进行监督学习模型，该模型采用可变拓扑的电路经由精英方法演化，从而减轻了贫瘠高原问题，并引入了多热编码的叠加概念，方便多分类问题的处理。通过与当前技术最先进的变分量子分类器进行比较分析，我们的框架在训练效率和精确度方面得到了显著的提升。此外，我们对传统上常常困扰传统核心机器的具有挑战性的数据集类进行了测试，展示了在 NISQ 时代实现量子优势的潜在替代路径。

    Nov, 2023

  • 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

  • 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

  • 用量子变分电路进行强化学习

    本文研究了量子计算对强化学习问题的潜在帮助，通过量子演化电路来解决强化学习问题，提出了使经典数据编码成量子演化电路的技术，并探索了 DQN 和 Double DQN 的量子算法。结果表明，使用量子演化电路可以更好地解决强化学习任务。

    Aug, 2020

  • VSQL: 变分阴影量子学习分类

    本文提出了一个新的混合量子 - 经典框架用于监督性量子学习，叫做 Variational Shadow Quantum Learning（VSQL），该方法利用了量子数据的经典阴影，通过变分阴影量子电路以卷积方式提取经典特征，并利用全连接神经网络完成分类任务，避免了量子机器学习中重要的梯度消失问题 - Barren Plateau issues，通过对量子态的分类和手写数字识别的数值实验证明了本方法的高效性和出色的性能。

    Dec, 2020

  • 通过正则化策略提高变分量子电路的可训练性

    在嘈杂中等规模量子（NISQ）时代，本研究提出一种使用先验知识和高斯噪声扩散来规范化模型参数的策略，以提高量子变分电路的可训练性并解决梯度问题。实验证明这种方法对超越经典模型的四个公共数据集的可训练性具有改进作用。

    May, 2024

  • 可扩展的量子神经网络用于分类

    本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

    Aug, 2022

  • 一种受量子机器学习启发的新型随机 LSTM 模型

    分析经典、随机和量子方法的表现，研究在长短期记忆模型中利用量子变分算法启发的随机方法，以取得量子机器学习在经典机器上的一些好处。

    May, 2023

  • 利用置换对称性评估变分量子电路

    提出了 SnCQA 硬件高效的等变量子卷积电路，适用于存在置换对称性的机器学习问题和量子计算化学中，具有可扩展性和噪声鲁棒性，比传统量子变分电路拥有更高的性能表现。

    Nov, 2022