Oct, 2023

变分基于测量的量子计算用于生成模型

PDF
TL;DR基于测量的量子计算（MBQC）利用量子测量的固有随机性设计量子算法，以及利用 MBQC 中的随机副产品作为计算资源来进行的生成建模任务的算法设计工作。我们提出了一种带有控制参数的变分 MBQC 算法，可以直接调整计算中接纳的随机程度。我们的数值结果表明，这种额外的随机性可以在特定的生成建模任务中带来显著的学习性能提升，强调了利用 MBQC 固有随机性的潜在优势，并激发了进一步基于 MBQC 的算法研究。
measurement-based quantum computationmbqcrandomnessgenerative modelinglearning performance
发现论文，激发创造
  • 基于测量的克利福德量子细胞自动机的量子计算

    量子计算中，基于测量的量子计算（MBQC）与基于 Clifford 量子细胞自动机（CQCA）的一种模型有关，具有简单直观的电路模型表示。我们应用此描述构建了多种基于 MBQC 的参数化量子电路的 Ansätze，证明不同的 Ansätze 在不同的学习任务中可能导致显著不同的性能。因此，MBQC 提供了一系列适应特定问题设置且特别适用于具有平移不变门的体系，如中性原子的硬件高效的 Ansätze。

    Dec, 2023

  • 变分量子玻尔兹曼机

    本文提出一种基于虚时间演化的变分量子 Gibbs 状态逼近方法，实现了与临近中期的量子计算机兼容的量子 Boltzmann 机械训练方法，同时支持任意参数哈密顿量的梯度下降求解，适用于生成学习与判别学习任务。

    Jun, 2020

  • 确定性进，确定性出：用于量子机器学习的 REVQC

    量子机器学习研究了快速化和精确推断方法，通过对 MNIST 和 MNIST Fashion 数据集进行实验，证明了反向训练对于提高单个样本推断准确性的有效性。

    Oct, 2023

  • 量子算法测量

    我们从计算复杂性的角度对实验量子物理学进行了系统研究，定义了量子算法测量 (QUALMs) 框架，用于研究量子多体物理学中的两个重要实验问题，并显示在使用实验样品的相干性 (空间和时间) 时，相较于分别访问每个实验样本的标准情况，可以实现可证明的指数加速。因此，我们的研究表明，量子计算机可以提供一种新的指数优势：量子实验的资源消耗获得指数级的节省。

    Jan, 2021

  • 强化学习中变分量子电路的优化技术研究

    量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。

    May, 2024

  • 具有编码数据结构的变分量子回归算法

    我们构建了一个量子回归算法并确定了变分参数与学习回归系数之间的直接关系，利用直接将数据编码到反映经典数据表结构的量子振幅的电路。该算法适用于连接良好的量子比特，具有对数级时间复杂度优势，并提供了与传统一热编码技术相比所需的物理比特数量显著减少的压缩二进制编码方法，同时还能进行非线性回归。通过在实践中从量子回归模型学习中进行重要特征选择的集成模型训练，我们能够减小硬件噪音的影响。

    Jul, 2023

  • 变分贝叶斯蒙特卡罗

    本文介绍了一种新型的高效样本推断框架，变分贝叶斯蒙特卡罗（VBMC），可用于难以处理的黑盒似然的后验分布和模型评估。该方法结合了变分推断和基于高斯过程的主动采样贝叶斯积分，并在合成和实际数据的测试中表现出很好的性能。

    Oct, 2018

  • 学习优化变分量子电路来解决组合问题

    本文提出了两种基于机器学习的方法，采用强化学习 (RL) 框架和核密度估计 (KDE) 技术，分别用于优化 QAOA 电路，从小规模问题实例中学习，然后在较大的问题实例中使用，结果表明与其他现成的优化器相比，这两种方法可以将优化度缺口减少多达 30.15 个因子。

    Nov, 2019

  • 变分量子克隆：提高量子密码分析的实用性

    我们提出了一种基于量子机器学习的密码分析算法，名为变分量子复制（VQC），可用于获取短深度量子电路的最佳（近似）克隆策略，使密码分析者能够以低计算资源得到硬件有效量子电路，从而提高量子秘钥协商的安全性。

    Dec, 2020

  • 使用绝热量子计算实现平衡 K 均值的概率抽样

    利用噪声量子计算机 D-Wave 进行模拟和真实数据上的基于潜在后验概率的不确定解和数据点识别的概率平衡 k-means 聚类的研究。

    Oct, 2023