关于图像中 $p4m$ 对称性的近似等变量量子神经网络
对使用数据集的对称性来约束神经网络的参数空间以提高其可训练性和泛化能力的几何深度学习方法在量子机器学习领域得到了应用,其中包括了等变量量子神经网络 (EQNNs)。本研究探讨了经典到量子嵌入对等变量量子卷积神经网络(EQCNNs)图像分类性能的影响,分析了数据嵌入方法与对称群表示的关联,以及不同表示对 EQCNN 表达能力的影响。我们数值比较了基于三种不同基佯波函数嵌入的 EQCNN 与非等变量量子卷积神经网络(QCNN)的分类准确性。结果显示,在训练迭代次数较少时,所有的 EQCNN 都比非等变量 QCNN 具有更高的分类准确性,而在迭代次数较多时,这种改进明显依赖于所使用的嵌入方法。预计本研究的结果对于几何量子机器学习中数据嵌入选择的重要性有着更好的了解,对学术界具有实用意义。
Dec, 2023
基于等变量量子神经网络(EQNN)的几何量子机器学习是量子机器学习中的一个有前景的方向,本文研究了 EQNN 模型在噪声存在下的行为,通过数值模拟和高达 64 比特的硬件实验支持实验的结果,并提出了在噪声存在时增强 EQNN 模型对称性保护的策略。
Jan, 2024
引入了一种等变结构的变分量子分类器,用于具有 $C_4$ 旋转标签对称性的图像分类,实验证明了等变的方法能够提升模型性能,最后还提出了一种经典等变卷积操作用于处理更大的图像。
Mar, 2024
我们得出了一种新型的神经网络,叫做紧致矩阵量子群等变神经网络,它能够从具有基础量子对称性的数据中进行学习。我们应用 Woronowicz 的 Tannaka-Krein 对偶形式来描述出这些神经网络中所出现的权重矩阵,并对任意简单紧致矩阵量子群给出了权重矩阵的表征。我们展示了紧致矩阵量子群等变神经网络包含了所有紧致矩阵群等变神经网络的子类。此外,我们对许多之前在机器学习文献中未出现过的紧致矩阵群等变神经网络的权重矩阵进行了表征。
Nov, 2023
该研究通过对比分析了等变量量子神经网络(EQNN)和量子神经网络(QNN)与它们的经典对应物等变量神经网络(ENN)和深度神经网络(DNN)的性能,在模型复杂度和训练数据集的大小方面,通过两个玩具示例的二分类任务对每个网络的性能进行了评估。我们的结果表明,Z2×Z2 EQNN 和 QNN 在较小参数集和适度训练数据样本的情况下提供了更好的性能。
Nov, 2023
本研究提出了基于不同 SU (d) 对称性物理系统的 equivariant convolutional algorithms 框架,它能够增强量子计算模型,如 permutational quantum computing (PQC),定义了一个更强大的模型,PQC+。我们进一步讨论了可在 PQC + 范式下执行的实用量子机器学习算法。
Jul, 2022