光子学中的实验性量子自然梯度优化
本研究提出了量子自然梯度下降的量子概率论泛化作为用于变分量子电路的通用优化框架的一部分。优化动力学被解释为相对于量子信息几何学的最陡下降方向移动,相应于量子几何张量 (即 Fubini-Study 度量张量的实部)。该研究还提供了一种有效的算法,用于计算参数化量子电路的 Fubini-Study 度量张量的块对角近似,这也是该研究的一个独立的兴趣点。
Sep, 2019
本文介绍了一种利用同一或几乎相同的架构的方法来估计量子测量期望值的梯度,以优化杂化量子 - 经典算法的目标函数,尤其适用于量子化学、药物发现和机器学习等领域。
Nov, 2018
使用变分量子电路作为函数逼近器,提出了量子自然策略梯度(Quantum Natural Policy Gradient,QNPG)算法。在 Contextual Bandits 环境中进行实验,证明 QNPG 相对于基于一阶的训练具有更快的收敛速度和稳定性,从而减少了样本复杂度,并在 12 量子比特硬件设备上进行了训练。
Apr, 2023
在嘈杂中等规模量子(NISQ)时代,本研究提出一种使用先验知识和高斯噪声扩散来规范化模型参数的策略,以提高量子变分电路的可训练性并解决梯度问题。实验证明这种方法对超越经典模型的四个公共数据集的可训练性具有改进作用。
May, 2024
使用可编程硅量子光子芯片,我们首次在光子学中实验性地演示了 QGAN 模型,并研究了噪声和缺陷对其性能的影响。我们的结果显示,即使在生成器的相移器的一半受损,或者生成器和鉴别器的所有相移器受到高达 0.04π 的相位噪声的条件下,QGAN 可以生成高质量的量子数据,保真度超过 90%。我们的工作为在 NISQ 时代的量子硬件上实施 QGAN 提供了可行性的线索。
Oct, 2023
该论文提出了一个基于梯度下降的优化算法框架,发展了一种计算多元实值函数梯度的量子算法,并提高了计算梯度的复杂性以适应光滑函数的重要类别,而且可以为量子最优化算法提供更快的计算梯度方法。
Nov, 2017
本文介绍了一种结合了近似梯度和最先进的基于梯度的优化算法的新方法,该方法在简单回归任务中的收敛速度和绝对误差方面超越了标准 SPSA 和参数偏移规则,而且在考虑了 shot- 和硬件噪声之后,优于 SPSA 和随机梯度下降方法。
Apr, 2023
本文提出了一种使用经典神经网络来生成量子电路参数的方法,以缓解 Barren Plateaus 现象,该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响,还能够在 VQA 训练期间减轻该影响,并展示了该方法在不同 CNN 架构下的表现。
May, 2022
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
本文提出了一种新颖的元优化算法,通过对量子电路的参数进行元优化,从而最小化目标函数,避免了经典梯度优化的局限性,通过实验和理论论证,在不同数据集上,相比现有基于梯度的算法,该方法可以更快更稳定地达到更好的效果。
Apr, 2023