数据中心量子系统学习中的 ShadowNet
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
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
本文提出了一种基于量子线性模型和经典影子重构的方法来构建可在经典计算机上运行的量子机器学习模型,从而绕过访问量子计算机的需要,并对可实现经典阴影模型的学习任务及其复杂性进行了讨论。
May, 2023
探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处,提出了一种用于评估量子学习任务潜在优势的方法,并提出了一种通过量子速度提高学习效率的量子机器学习模型。
Nov, 2020
该论文提出了一种名为量子阴影梯度下降 (QSGD) 的新程序,以解决一次性方法、量子阴影样本生成和非乘积态哈密顿量等相关问题,并通过理论证明、收敛分析和数值实验验证了其结果。
Oct, 2023
本论文提出了第一个完全量子联邦学习框架,该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集,然后将其提供给使用 QCNN 模型的客户端执行分类任务,并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。
May, 2021
本文开发了一个不可能定理,证明了使用量子神经网络(QNNs)从高保真度的初始状态开始,学习未知量子态的概率随比特数指数级下降,而与电路深度多项式增长,从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制,并深化了先验信息在 QNNs 中的作用的理解。
Sep, 2023
研究利用交互式证明系统框架来进行量子学习的经典验证,通过 “混合超位置” 量子示例提出了针对求解量子难题的新的量子数据访问模型,并证明了经典验证器只需随机例子或统计查询访问,就能有效地验证量子学习。
Jun, 2023