Oct, 2023

将量子算法引入自动化机器学习：关于QML算法可扩展性的自动机器学习框架的系统回顾

HTML
PDF
TL;DR本文描述了选择方法和分析现有的AutoML框架, 以了解它们将量子机器学习算法纳入自动化求解方法的能力以及通过基准测试解决一组不同机器学习问题类型的工业用例的最重要特征。在此基础上，我们选择了Ray和AutoGluon作为适用的低级和高级框架，它们满足所有要求并在用例研究中得到了最好的评价反馈。基于这些结果，我们构建了一个扩展的自动量子机器学习（AutoQML）框架，其中包含了硬件和软件约束的QC特定的流程步骤和决策特征。
发现论文，激发创造
  • AutoQML：使用遗传算法在灰度图像上自动生成和训练鲁棒的量子启发式分类器

    本研究提出了一个新的混合系统，通过使用多目标遗传算法，自动生成和训练基于量子启发式分类器来处理灰度图像。通过定义动态适应性函数来确保所提出的技术具有通用性和鲁棒性，我们能够在视觉数据集上获得最小电路和最高精度，同时在量子电路和图像降维方法之间进行比较。

    Aug, 2022

  • 一种受量子机器学习启发的新型随机LSTM模型

    分析经典、随机和量子方法的表现，研究在长短期记忆模型中利用量子变分算法启发的随机方法，以取得量子机器学习在经典机器上的一些好处。

    May, 2023

  • 现代近期量子设备上的量子机器学习：针对真实世界应用的有监督和无监督技术的现状

    本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。

    Jul, 2023

  • 量子启发式机器学习综述

    量子启发式机器学习（QiML）是一个新兴的领域，受到全球研究人员的关注，因为它有潜力在经典计算框架中利用量子力学原理。本文通过对QiML进行综合和全面的调查，探索了QiML的多个研究领域，包括张量网络模拟、去量化算法等，展示了最新进展、实际应用，并揭示了潜在的未来研究方向。同时，通过分析对QiML的不同解释及其固有的模糊性，确立了QiML的具体定义。在量子力学、量子计算和经典机器学习的基础上，QiML将不断发展，并丰富该领域的未来。本调查为研究人员和从业人员提供指南，帮助他们全面了解QiML的现状和未来发展方向。

    Aug, 2023

  • 量子机器学习概述：当前趋势、挑战、机遇和未来方向

    该研究论文综述了量子计算在机器学习中的应用，包括量子机器学习算法、量子数据集、硬件技术、软件工具、模拟器和应用程序，为读者提供了跳跃到量子机器学习领域的最新技术的有价值的信息和资源。

    Oct, 2023

  • 量子辅助模拟：在量子计算领域设计机器学习模型的框架

    利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

    Nov, 2023

  • 量子计算专家的机器学习

    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

  • 量子机器学习在NISQ时代的泛化误差界限研究综述

    本研究针对量子机器学习（QML）在噪声中等规模量子（NISQ）时代面临的泛化误差界限问题进行探讨，指出当前研究主要关注理想量子计算机的局限性。通过系统性映射研究，我们总结了现有的量子硬件计算平台、数据集和优化技术，并评估了各方法在经典基准数据集上的表现，强调了NISQ时代QML的限制与未来研究方向。

    Sep, 2024

  • AQMLator -- 一个自动量子机器学习电子平台

    本研究解决了量子机器学习模型实现过程中模型架构选择的挑战。我们提出了AQMLator，一个自动量子机器学习平台，旨在通过最小的用户输入自动建议和训练量子层，使数据科学家能够更容易地使用量子计算。该平台使用标准机器学习库，便于集成到现有的机器学习流程中。

    Sep, 2024

  • 量子机器学习：量子计算与机器学习的相互作用

    本研究解决了量子机器学习（QML）领域中传统机器学习与量子计算结合的挑战。通过提出在噪声中等规模量子（NISQ）设备上使用变分量子电路（VQC）开发QML架构的新方法，本文展示了QML的潜在工业影响和未来研究方向。主要发现表明，QML的独特能力能够推动机器学习的发展，并为量子计算研究提供新视角。

    Nov, 2024