量子错误纠正是量子计算的一个关键挑战,本研究提出了一种基于 Transformer 的 QEC 解码器,它利用自注意力实现了全局感受野,结合了局部物理错误和全局奇偶标签损失的训练方法,以及其对不同码距的有效迁移学习能力,实现了较佳的逻辑错误率和节省 10 倍以上的训练成本。
Nov, 2023
今天的量子计算机是否能通过传统方法的量子错误纠正来解决量子计算机的潜在困难是一个挑战,但机器学习为量子错误纠正提供了潜在解决方案,通过模拟和实验,机器学习在 100 量子位的量子计算机上得到了许多正面结果,并且展现了在各种量子电路和设备噪声情况下的潜力。
Sep, 2023
本文提出了一种基于神经网络的深度量子错误解码器,引入了综合编码对系统噪音的初始估计进行迭代优化,并实现了在重复综合抽样下的有效解码。通过以可微目标直接优化在有限场上计算的逻辑错误率,该方法实现了量子纠错码解码的高效性,超过了现有的神经网络和经典解码器。
Jan, 2023
该论文简要介绍量子纠错与容错的基本概念及其技术,不作严格的数学和计算机科学框架介绍,以详细例子为主,以方便近期实验主义者更好地理解和应用。
May, 2009
该研究论文提出了一种名为 Q-LEAR 的实用机器学习方法,通过一种新颖的特征集来减轻量子软件输出中的噪声错误,并与现有的基准 ML 方法进行比较,结果表明,与基准相比,Q-LEAR 在真实量子计算机和模拟器上的误差缓解平均提高了 25%。
Apr, 2024
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
提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言,我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性,而不改变底层架构。
Jan, 2022
该论文提出了一种处理量子机器学习中普遍存在的不确定性的通用方法学,该方法可以在训练数据量有限、量子计算硬件噪声存在的情况下可靠地度量量子模型的不确定,并基于概率共同预测来达到对真实目标的可信度量。
Apr, 2023
成功使用生成对抗网络和相位失真展开误差减小方法对使用 LPIQE 编码的图像进行整体误差降低。
探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处,提出了一种用于评估量子学习任务潜在优势的方法,并提出了一种通过量子速度提高学习效率的量子机器学习模型。
Nov, 2020