量子态分类的机器学习模型基准测试
本研究通过机器学习方法,实验性地构造了一个量子态分类器,能够识别量子态可分离性,此方法能有效地学习和分类量子态,并不需要获取完整的量子态信息。同时本研究表明,通过添加神经网络的隐藏层,可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路,并代表了机器学习在量子信息处理领域的应用进展。
Dec, 2017
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
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
使用低温量子门进行量子计算机机器学习是实验上挑战性的,因此我们提出了一个在室温下的 “玩具模型”,通过光学变换实现了对 MNIST/Fashion-MNIST 数据的分类,并展示了量子力学测量过程的教学工具。
Aug, 2020
论文综述了机器学习中生成建模技术在恢复实际、嘈杂和多量子比特量子态方面的发展,尤其是限制玻尔兹曼机器的理论,并演示了它在状态重建中的实际应用,从经典热力学分布的伊辛自旋开始,逐步移动到越来越复杂的纯态和混合量子态,通过对实验噪音中间规模量子设备的冷原子波函数重建的最近工作进行总结,最后讨论了未来在 NISQ 时代和以后使用机器学习进行状态重建的展望。
May, 2019
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
量子机器学习是量子计算的一个有潜力的早期使用案例,该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览,其包括从理论研究到数值模拟再到概念验证等多个方面的进展。
Apr, 2024