通过图模型证实学习量子态
我们提出了相应的量子算法来解决 Restricted Boltzmann Machines 结构学习问题,并证明这些算法相对于经典算法在这两类 RBMs 的结构学习中具有多项式加速。
Sep, 2023
学习量子态和幺正算子的复杂度与创建这些态和算子的复杂度相关,量子状态重构和学习存在困难,但学习量子电路生成的态和幺正算子表明采样复杂度与门复杂度线性相关,查询复杂度与门数线性相关,而计算复杂度根据可信的加密猜想呈指数爆炸增长,这些结果限制了量子机器学习模型的表达能力,且对幺正算子学习中的 no-free-lunch 定理提供新的视角。
Oct, 2023
本文探讨了神经网络状态量子纠缠特性对量子多体物理的应用,重点研究了限制玻尔兹曼机的量子纠缠特性,并证明了其短距离状态满足任意维度和二元分区几何的面积律,并能高效表示大规模量子纠缠态。此外,文章还研究了具有随机权重参数的泛型 RBM 状态,并证明了其量子纠缠熵满足体积律缩放,并且具有泊松型能级统计规律。最后,文章将所得结论运用到了量子多体物理问题中,证明了神经网络代表的 RBM 状态可以高效地表示量子纠缠态,并能用于计算量子多体系统的基态和纠缠谱问题。
Jan, 2017
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
在这项研究中,我们考虑了量子多体物理中的一个基础任务 - 寻找和学习量子哈密顿量及其性质的基态。最近的研究关注通过学习数据来预测几何局部可观测量之和的基态期望值。我们扩展了这些结果,超越了对哈密顿量和可观测量的局部要求,针对分子和原子系统中长程相互作用的相关性。我们证明,对于系统维度的两倍以上的幂次衰减相互作用,我们可以恢复与量子比特数量的对数刻度相同的高效率,但对误差的依赖会恶化到指数级。此外,我们展示了自动同构于相互作用超图的学习算法可以实现样本复杂度的降低,特别是在具有周期性边界条件的系统中,学习局部可观测量之和只需要常数个样本。我们通过从具有最多 128 个量子比特的 $1$D 长程和无序系统的 DMRG 模拟中学习的实践表明了这种高效的刻度。最后,我们提供了由于中心极限定理引起的全局可观测量期望值的浓度的分析,从而提高了预测准确性。
Dec, 2023
通过机器学习协议,可以对定义在物理参数 $m$ 维空间上的哈密顿量族的基态及其性质进行预测,但泛型缝合哈密顿量的精确预测需要指数级样本复杂度;当 $m$ 是有限的常数时且精度为主要关注点时,通过利用物理约束和预测密度矩阵的正定核,可以获得样本复杂度的指数级改进,特别地,在强局部性的情况下,样本数可以进一步降低。
Apr, 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
这篇论文证明了经典机器学习算法可以有效地预测有限空间维度内间隙哈密顿量的基态性质及其它相类哈密顿量的数据,并可以有效地分类一系列的量子相,在量子实验中可以通过构建经典影像来预测系统的多种属性。
Jun, 2021