通过不平衡数据分类基准评估量子生成模型
提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言,我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性,而不改变底层架构。
Jan, 2022
通过经典模拟进行基准测试是在没有无噪声硬件之前评估量子机器学习想法的主要方法之一。然而,实验设计的巨大影响、当今可行范围内的小规模以及受量子技术商业化影响的叙事使得难以获得稳健的见解。为了促进更好的决策,我们开发了一个基于 PennyLane 软件框架的开源包,并使用它对 12 个流行的量子机器学习模型在 6 个二分类任务上进行了大规模研究,这些任务用于创建 160 个单独的数据集。我们发现整体而言,开箱即用的经典机器学习模型优于量子分类器。此外,将一个量子模型中的纠缠去除往往会导致同样好或更好的性能,这表明在这里考虑的小学习任务中,“量子性” 可能不是关键因素。我们的基准测试还开启了超越简单排行榜比较的研究,并从我们的结果中提出了五个与量子模型设计相关的重要问题。
Mar, 2024
本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用,并将其与其他模型进行了比较和评估,结果表明通过模型的组合可以取得更好的结果,提高了经典和量子 (- 启发式) 生成学习的统一性。
Apr, 2023
该研究探索了量子深度学习模型在解决传统深度学习模型难以处理的具有挑战性的机器学习问题方面的潜力。我们介绍了一种新型模型架构,将经典卷积层与量子神经网络相结合,旨在超越现有最先进的准确性,同时保持紧凑的模型尺寸。该实验对来自 Bird-CLEF 2021 数据集的高维音频数据进行分类,我们的评估重点关注训练持续时间、模型准确性和总模型尺寸等关键指标。这项研究证明了量子机器学习在增强机器学习任务和解决当今实际机器学习挑战方面的潜力。
Dec, 2023
比较量子机器学习和经典机器学习模型中的特征重要性和解释性,使用 IBM 的 Qiskit 平台的混合量子算法(Variational Quantum Classifier 和 Quantum Support Vector Classifier)和经典算法(SVM 和 Random Forests)对广为认可的 Iris 数据集进行实验,并使用置换、去一特征重要性方法以及 ALE 和 SHAP 解释器产生的见解进行对比。
May, 2024
利用混合量子 - 经典机器学习算法,本文提出了一种用于情绪分析的方法,通过量子内核方法和变分量子电路分类器,结合主成分分析和 Haar 小波变换等经典降维技术,对英语和孟加拉语的两个数据集进行了评估,实验结果表明,在数据维度降低后,基于量子的混合算法表现一致且优于经典方法。
Oct, 2023
本研究提出了一种基于量子电路学习的算法,可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征,并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格(Greenberger-Horne-Zeilinger)状态的最佳制备方法,也可以有效地制备连续热态的近似表示,其波函数在其幅度中编码玻尔兹曼概率。最后,研究提供了一种新的硬件无关指标,称为 qBAS 得分,可用于衡量近期量子设备的性能。
Jan, 2018