Jul, 2023

WEPRO: 高效量子经典算法优化的权重预测

PDF
TL;DRWEPRO 加速了量子神经网络的收敛速度，提供了更高的准确性和更低的损失，并且比传统优化技术提高了 3.1 倍的速度和使用了 3.3 倍少的重复电路执行次数。
quantum simulatorsvariational quantum algorithmsvqasweproparameter weights
发现论文，激发创造
  • 学习使用快速权重编程变分量子电路

    引入量子快速权重程序 (QFWP) 作为解决时间或序列学习挑战的方法。

    Feb, 2024

  • 变分量子算法的权重重新映射

    本研究通过使用 7 种不同的重量映射函数来对 8 个分类数据集进行评估，结果表明重量重新映射不仅可以增强 VQC 的收敛速度，而且在某些情况下还可以显著提高准确性。

    Jun, 2023

  • 利用 Grover 算法模拟变分量子感知器

    本篇论文提出了一种新型的量子感知器 QVPG，它结合了量子变分电路和格勃算法，在分类任务中能够比传统感知器更高效地工作，并证明它比 QVP 更具优越性。

    May, 2023

  • 参数并行分布式变分量子算法

    通过提出参数并行分布式变分量子算法（PPD-VQA）和可替代的训练策略，以及梯度压缩技术来缓解由于噪声差异导致的加速度衰减和潜在通信瓶颈的影响，这项研究证明 PPD-VQA 可以为多个量子处理器协调处理大规模实际应用提供实用的解决方案。

    Jul, 2022

  • 加速变分量子本征求解器

    我们提出了一种广义的 VQE 算法，可以根据自由参数 α 在 O (1/ε^α) 的电路深度下利用量子相干性减少样本数到 O (1/ε^2 (1-α))，同时提供了一种新的有限量子资源下的期望值估计程序。

    Feb, 2018

  • 通过神经网络进行零噪声外推以增强量子变分算法

    利用神经网络进行零噪音外推，以改善量子计算中噪音对算法准确性和可靠性的限制，展示了使用这种方法在噪音环境下进行量子计算的效果，为在嘈杂的设备上提高 Variational Quantum Eigensolver 计算的准确性铺平了道路。

    Mar, 2024

  • 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

  • 基于变分 Monte Carlo 的近端优化神经网络量子态的基态搜索方案

    本文介绍了一种基于神经网络量子态 (NQS) 和变分蒙特卡罗 (VMC) 方法的优化算法，该算法使用多次梯度下降，通过重用不匹配的样本来实现近端优化 (PO)。使用该算法进行计算，得到了具有竞争力的能量值，进一步证明了其在一维横场伊辛模型和二维海森堡反铁磁体中的地状态搜索的有效性。

    Oct, 2022

  • 通过顺序哈密顿装配改善 VQE 的参数训练

    在量子机器学习中，设计和训练参数化量子电路（PQCs）是一个主要挑战。本论文提出了一种顺序哈密顿组装方法，用于处理全局损失函数的参数训练，并通过实验结果证明了该方法在图着色问题中的有效性，表现优于传统的参数训练和层次学习方法，为解决消失梯度问题提供了一种局部感知的学习技术。

    Dec, 2023

  • 基于二次幂量化的神经网络能效硬件加速

    通过使用二次幂量化和基于位移乘累加运算代替传统的乘累加运算，以及基于对数量化的新型剪枝方法，本文在基于 Zynq UltraScale + MPSoC ZCU104 SoC FPGA 的硬件神经网络加速器中实现了 Power-of-Two (PoT) 权重，实现了至少 $1.4x$ 的能效提升。

    Sep, 2022