Nov, 2023

进化增强的量子监督学习模型

PDF
TL;DR本研究提出了一种创新的方法，利用进化增强的无参数化电路进行监督学习模型，该模型采用可变拓扑的电路经由精英方法演化，从而减轻了贫瘠高原问题，并引入了多热编码的叠加概念，方便多分类问题的处理。通过与当前技术最先进的变分量子分类器进行比较分析，我们的框架在训练效率和精确度方面得到了显著的提升。此外，我们对传统上常常困扰传统核心机器的具有挑战性的数据集类进行了测试，展示了在 NISQ 时代实现量子优势的潜在替代路径。
quantum supervised learningvariational circuitsbarren plateau phenomenonevolutionary-enhanced ansatz-free supervised learningsuperposition of multi-hot encodings
发现论文，激发创造
  • 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

  • 一种新颖的时空变分量子电路，在 NISQ 设备上实现深度学习

    使用 ST-VQC 设计空间 - 时间深度学习量子电路，在 IBM 量子处理器上实现超过 30％的准确性提升，并在非线性合成数据集上比线性分类器提高 27.9％的性能。

    Jul, 2023

  • 量子机器学习的分层学习：大规模变分量子电路的新型训练技术

    我们提出了分层学习，一种用于训练大规模变分量子电路的新颖变分体系结构，并用量子电路比特机 (QCBMs) 测试和基准测试我们的技术。

    Nov, 2023

  • 多智能体量子强化学习基于进化优化

    多智能体强化学习中的量子强化学习通过使用量子力学的内在属性降低了模型的可训练参数，我们基于无梯度量子强化学习的现有方法，并通过变分量子电路的树状方法提出了多智能体强化学习的方法，使用进化优化算法，我们在 Coin Game 环境中评估了我们的方法并将其与经典方法进行比较，研究表明我们的变分量子电路方法相比于具有相似可训练参数数量的神经网络表现出更好的性能，并且相对于更大的神经网络，我们的方法使用较少的参数实现类似的结果，减少了 97.88% 的参数。

    Nov, 2023

  • 用于深度强化学习的变分量子电路

    本文研究了变分量子电路在深度强化学习中的应用，利用量子信息编码方案减少模型参数，用经验回放和目标网络重塑经典深度强化学习算法，成功证明了变分量子电路可以用于决策制定和政策选择强化学习，适用于许多即将到来的近期量子计算机。

    Jun, 2019

  • 旋转不变的变分量子电路图像分类

    引入了一种等变结构的变分量子分类器，用于具有 $C_4$ 旋转标签对称性的图像分类，实验证明了等变的方法能够提升模型性能，最后还提出了一种经典等变卷积操作用于处理更大的图像。

    Mar, 2024

  • 量子增强特征空间的监督学习

    本研究中，我们提出了两种量子算法用于机器学习问题的处理，即量子变分分类器和量子核估计器，并在超导处理器上实现了这两种算法，为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。

    Apr, 2018

  • 强化学习用于变分量子电路架构优化

    本论文提出了一种基于强化学习的算法，能够自主探索合适的变分预测模型，同时最小化电路的深度并增加结果的精度，在锂氢分子比较经典的量子计算基准问题上取得了化学精度和最先进的电路深度优化结果。

    Mar, 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

  • 超越贫瘠高原：量子变分算法被陷阱所淹没

    通过研究局部极小值和 Barren 高原现象，证明在全局最小能量附近未知最优参数的情况下，一类浅而无 barren 高原的变分量子模型具有很少的局部极小值，以至于在没有好的初值参数的情况下无法进行训练。此外，通过统计查询框架研究变分量子算法的可训练性，并表明大多数量子模型的噪声优化都需要指数级的查询数，虽然有希望通过研究某些类别的变分算法来解决这个问题。

    May, 2022