使用多任务神经网络学习和发现量子特性
提出了一种基于图神经网络模型的最新、高效的多任务预测方法,结果表明,多任务学习可以提高模型性能,特别是数据点较少的数据集可以不需要数据增强,便能获得较好的效果,并且能显著减小模型的方差。
Oct, 2019
本文提出了一种基于深度张量神经网络(DTNN)的方法,可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析,此方法可以用于预测分子的原子能和局部化学势,同位素能和分子的电子结构,为揭示复杂的量子化学体系提供了新的突破。
Sep, 2016
本研究综述了监督学习和深度神经网络的设计,用于学习代数多元环的成员身份,并证明这些神经网络可以预测量子态的纠缠类型。我们给出了检测退化状态和二进制量子比特和三进制量子比特(三元量子比特)的边界秩分类的实例。
Aug, 2019
本文研究了基于神经网络的方法,能够预测量子系统的演化轨迹,同时提取系统哈密顿量,测量算符和物理参数。该方法可用于噪声表征,参数估计,反馈和优化量子控制。
Nov, 2018
我们提出一种基于费米模型的量子神经网络,其物理特性作为输出,并建立了与反向传播相媲美的高效优化,在具有挑战性的经典机器学习基准上具有竞争力的准确度,并且在量子系统上实现高精度且不需要预处理的机器学习,此外研究结果可用于量子纠缠分析和可解释的机器学习。
Nov, 2022
本文提出了一种基于深度学习的量子力学波函数预测框架,以实现分子结构的反向设计,用于优化目标电子性质,表明这种方法打开了机器学习和量子化学更协同的前景。
Jun, 2019
通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度,通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案,能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性,为解决量子多体问题提供了新的强有力的工具。
Jun, 2016
本文探讨张量网络与深度学习之间的数学联系,使用通过多尺度纠缠重整方法派生的训练算法训练二维分层张量网络完成图像识别问题,并研究了张量网络的量子特性,包括量子纠缠和保真度,并发现这些量子特性可以作为图像类别以及机器学习任务的表征。
Oct, 2017
量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络,一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络,并允许在表达能力和高效可训练性之间进行折中,特别适用于量子硬件。我们通过将其应用于两个最近提出的模型族来展示该形式化方法的灵活性。第一个是具有有效可训练性但表达能力可能受限的交换块量子神经网络 (QNNs)。第二个是正交 (保持汉明权重) 量子神经网络,它在数据上提供了定义明确且可解释的转换,但在量子设备上进行大规模训练具有挑战性。密度交换块 QNNs 增加了容量,几乎没有梯度复杂度增加,而密度正交神经网络减少了梯度查询的复杂度,几乎没有性能损失。我们通过对具有超参数优化的合成平移不变数据和 MNIST 图像数据进行数值实验来支持我们的发现。最后,我们讨论了与后变分量量子神经网络、基于测量的量子机器学习和辍学机制之间的联系。
May, 2024