Oct, 2023

参数化量子电路在函数近似中的可证好处

PDF
TL;DR理解参数化量子电路在机器学习任务中的能力是量子机器学习中最重要的问题之一。本文通过函数逼近的角度分析了参数化量子电路的表达能力，并展示了在逼近连续和平滑函数方面数据重新上传参数化量子电路的明确构造，以及其在宽度、深度和可训练参数数量方面的定量逼近误差界限。此外，我们还将提出的参数化量子电路与近乎最优的深度神经网络进行了比较，在逼近高维平滑函数方面，表明参数化量子电路和深度神经网络之间的模型尺寸比在输入维度方面呈指数级减小，这为展示量子机器学习的量子优势提供了潜在的新途径。
发现论文，激发创造
  • 参数化量子电路的表现力

    证明了结构简单的 PQCs 在生成任务中具有比任何经典神经网络更好的表达能力，PQCs 在贝叶斯学习和半监督学习中的应用前景广阔。

    Oct, 2018

  • 参数化量子电路作为机器学习模型

    该综述论文介绍了混合量子 - 经典系统的模型和组件，并讨论了它们在监督式学习、生成建模等数据驱动任务中的应用，预示着这个迅速发展的领域将有广泛的现实应用。

    Jun, 2019

  • 参数化量子电路中基于扩散的量子噪声抑制

    该研究论文探讨了参数化量子电路（PQCs）与量子噪声的关系，并提出了一种基于扩散的学习方法，以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性，并在量子噪声情景中在分类任务上取得了最先进的性能。

    Jun, 2024

  • 量子机器学习的可解释人工智能

    本文讨论了 Parametrized Quantum Circuits 在机器学习和可解释人工智能领域的性能和挑战，提出了解决这些问题的方法并研究了加速其计算的内部机制。

    Nov, 2022

  • 通过顺序哈密顿装配改善 VQE 的参数训练

    在量子机器学习中，设计和训练参数化量子电路（PQCs）是一个主要挑战。本论文提出了一种顺序哈密顿组装方法，用于处理全局损失函数的参数训练，并通过实验结果证明了该方法在图着色问题中的有效性，表现优于传统的参数训练和层次学习方法，为解决消失梯度问题提供了一种局部感知的学习技术。

    Dec, 2023

  • 量子电路学习

    本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。

    Mar, 2018

  • 基于电路的量子分类器

    本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

    Apr, 2018

  • 量子增强特征空间中量子机器学习模型的普适逼近特性

    本文证明典型情况下，基于量子增强特征空间的机器学习模型是连续函数的通用逼近器，从理论角度探究了量子特征映射的表达能力与在分类不相交区域方面的功能。

    Sep, 2020

  • 量子近似优化算法

    介绍了一种量子算法，通过使用正整数 p 来提高近似解的质量，将其应用于组合优化问题的求解上，并分析了在正则图上，固定的 p 值下算法的性能表现。

    Nov, 2014

  • 量子神经网络和量子储备库的通用逼近定理和误差界

    本文研究了经典神经网络的普适逼近定理在量子设置下的拓展，通过参数化量子电路近似传统函数，并提供精确的误差界，并将结果推广到模拟经典储备神经网络的随机量子电路。结果表明，一个具有 O (ε^-2) 个权重和 O (⌈log_2 (ε^-1)⌉) 个量子比特的量子神经网络可以在近似具有可积傅里叶变换的函数时达到精度 ε>0。

    Jul, 2023