Nov, 2023

sQUlearn - 一个用于量子机器学习的 Python 库

PDF
TL;DRsQUlearn 是一个用户友好的，NISQ-ready 的 Python 库，用于量子机器学习（QML），旨在与 scikit-learn 等经典机器学习工具无缝集成。该库的双层架构可同时为 QML 研究人员和从业者提供服务，实现高效的原型设计、实验和流水线化。sQUlearn 提供了一个全面的工具集，包括量子内核方法和量子神经网络，以及可定制的数据编码策略、自动执行处理和专门的内核正则化技术。通过专注于 NISQ 兼容性和端到端自动化，sQUlearn 旨在弥合当前量子计算能力与实际机器学习应用之间的差距。
squlearnquantum machine learningnisq-readypython libraryquantum computing
发现论文，激发创造
  • 量子计算专家的机器学习

    量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。

    Apr, 2024

  • 量子课程学习

    量子机器学习中，优化资源使用和设计量子架构是重要研究方向。我们提出了量子课程学习 (Q-CurL) 框架，通过引入简单任务和数据依据数据密度比例来确定学习顺序，优化损失函数，提高训练收敛性和泛化性，从而将量子机器学习更接近于实际应用价值。

    Jul, 2024

  • 可扩展的量子神经网络用于分类

    本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

    Aug, 2022

  • 量子启发式机器学习综述

    量子启发式机器学习（QiML）是一个新兴的领域，受到全球研究人员的关注，因为它有潜力在经典计算框架中利用量子力学原理。本文通过对 QiML 进行综合和全面的调查，探索了 QiML 的多个研究领域，包括张量网络模拟、去量化算法等，展示了最新进展、实际应用，并揭示了潜在的未来研究方向。同时，通过分析对 QiML 的不同解释及其固有的模糊性，确立了 QiML 的具体定义。在量子力学、量子计算和经典机器学习的基础上，QiML 将不断发展，并丰富该领域的未来。本调查为研究人员和从业人员提供指南，帮助他们全面了解 QiML 的现状和未来发展方向。

    Aug, 2023

  • 基于案例研究的量子机器学习在网络安全领域的应用：使用量子支持向量机进行恶意软件分类和保护

    本文介绍了利用量子机器学习技术应对网络安全挑战的方法，特别是基于 QSVM 模型在恶意软件分类和保护方面的应用，为网络安全学习者设计并开发了十个基于量子机器学习的学习模块，以实现学生中心化、案例研究为基础的学习方法。其中一个子主题被应用于一个包含预实验、实验和后实验活动的网络安全主题，以提供应对实际安全问题的量子机器学习经验。QSVM 模型在 drebin215 数据集上实现了 95% 的恶意软件分类和保护精度。

    Jun, 2023

  • 量子数据联邦学习

    本论文提出了第一个完全量子联邦学习框架，该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集，然后将其提供给使用 QCNN 模型的客户端执行分类任务，并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。

    May, 2021

  • 量子辅助模拟：在量子计算领域设计机器学习模型的框架

    利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

    Nov, 2023

  • 量子计算中强化学习的挑战

    该研究论文介绍了量子计算在当前 NISQ 时代的限制，并提出了通过混合量子机器学习来改善量子计算架构的方法，重点是利用强化学习来优化当前的量子计算方法，并介绍了由量子架构搜索和量子电路优化引起的各种挑战，以及提出的用于学习控制一组万能量子门的具体框架，并提供基准结果以评估当前最先进算法的优点和短处。

    Dec, 2023

  • 量子机器学习概述：当前趋势、挑战、机遇和未来方向

    该研究论文综述了量子计算在机器学习中的应用，包括量子机器学习算法、量子数据集、硬件技术、软件工具、模拟器和应用程序，为读者提供了跳跃到量子机器学习领域的最新技术的有价值的信息和资源。

    Oct, 2023

  • 现代近期量子设备上的量子机器学习：针对真实世界应用的有监督和无监督技术的现状

    本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。

    Jul, 2023