Aug, 2023

高速离散调制连续变量量子密钥分发的量子机器学习

PDF
TL;DR本文提出了一种使用量子机器学习技术的高速离散调制连续变量量子密钥分发（DM CVQKD）方案，该方案将整个 CVQKD 系统分为三个部分，分别是用于训练和估计量子分类器的初始化部分，用于生成高度相关原始密钥的预测部分以及生成 Alice 和 Bob 之间最终秘密密钥字符串的数据后处理部分。为此，设计了一种低复杂度的量子 k 最近邻（QkNN）分类器，用于预测 Bob 端的丢失性离散调制相干态（DMCSs）。分析了所提出的基于 QkNN 的 CVQKD 在机器学习指标和复杂性方面的性能，并用半定规划（SDP）方法证明了其理论安全性。数值模拟表明，我们提出的方案的秘密密钥速率明显优于现有的 DM CVQKD 协议，并且可以通过增加调制方差进一步增强。
discretely-modulated continuous-variable quantum key distributionquantum machine learning technologiesquantum k-nearest neighbor classifierlossy discretely-modulated coherent statessecret key rate
发现论文，激发创造
  • MEMO-QCD：量子电路设计的量子密度估计与模因优化

    本文提出了一种基于量子启发式算法（DMKDE）和基于群体智能算法的电路优化策略的高效量子电路设计方法，通过量子特征映射将训练数据集映射到由密度矩阵表示的量子态，以估计新样本的密度。所提出的策略通过浅层量子电路准确逼近高斯核密度估计方法，表明了该算法在近期量子硬件上的可行性。

    Jun, 2024

  • QKD：量化知识蒸馏

    本文提出了一种量化感知知识蒸馏的方法，并通过三个阶段的教学来协调量化和 KD，从而在 ImageNet 和 CIFAR-10 / 100 数据集上提高了模型的性能。

    Nov, 2019

  • 知识蒸馏的多码本向量量化索引预测

    本文提出了一种新的多码本量化方法，将生成教师向量卡尺化成为一个编解码问题，实现了教师模型的向量压缩，以减少模型存储需求。在 LibriSpeech 数据集上，用该方法训练的学生模型能够获得与传统 KD 方法（l1, l2）相当的 ASR 性能，并在存储容量上实现了 256 倍的减少。

    Oct, 2022

  • 通过变分核训练增强量子支持向量机

    本文针对 QSVM 模型的两种方法：量子核 SVM（QK-SVM）和量子变分 SVM（QV-SVM）进行研究，并提出了一种将二者优势相结合的新型模型：量子变分核 SVM（QVK-SVM）。实验结果表明，QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型，具有很大的应用潜力，值得被推广应用于未来的量子机器学习研究。

    May, 2023

  • 量子电路与扩散模型综合

    量子计算中的生成机器学习模型和去噪扩散模型在产生期望的量子操作方面具有优势，并在纠缠生成和酉编译等任务中展示出灵活性和潜力。

    Nov, 2023

  • 量子增强特征空间的监督学习

    本研究中，我们提出了两种量子算法用于机器学习问题的处理，即量子变分分类器和量子核估计器，并在超导处理器上实现了这两种算法，为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。

    Apr, 2018

  • 通用辨别性量子神经网络

    本研究使用 Adam 优化算法训练近期量子电路，模拟乱杂的非正交量子概率分布的未知非酉量子电路结构，成功实现量子数据的最优分类，是一种没有经典类别的量子机器学习任务的实例。

    May, 2018

  • 监督式机器学习的严谨和鲁棒量子加速

    本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

    Oct, 2020

  • 量子核 t 分布随机邻居嵌入

    量子数据可视化方法使用量子核心技术，能够快速准确地可视化量子状态，并成功发现受激截面伊辛模型的优化轨迹特征。

    Dec, 2023

  • 盲量子计算实现的量子联邦学习

    本文介绍了一种基于 Blind quantum computing 的量子协议，用于单方委派训练和多方私有分布式学习。该协议在差分隐私的保护下是安全的，并且在实验不完美的情况下具有鲁棒性和处理具有隐私保障的计算密集型分布式学习任务的潜力，为探索机器学习领域中的安全性量子优势提供了有价值的指导。

    Mar, 2021