Nov, 2023

评估噪声对量子神经网络的影响：实验分析

PDF
TL;DR该研究对噪声对量子神经网络的影响进行了全面分析，研究了 Mottonen 状态准备算法在各种噪声模型下的表现，并研究了量子状态在多层量子神经网络中的退化。此外，该论文评估了噪声对预训练量子神经网络性能的影响，并强调了噪声模型在量子计算中所带来的挑战。该研究结果对量子软件的发展具有重要意义，强调了在开发可靠和可信赖的量子神经网络时优先考虑稳定性和噪声修正措施的重要性，为量子计算和量子机器学习领域的数据库添砖加瓦，提供了对噪声对量子神经网络影响的新洞察，为更强大和有效的量子算法的发展铺平了道路。
quantum neural networksnoisemottonen state preparation algorithmquantum softwarequantum algorithms
发现论文，激发创造
  • 使用噪声量子神经网络进行量子态区分

    本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果，通过引入新的电路技术，并在当前的量子硬件噪声水平下对其进行验证，发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。

    Nov, 2019

  • 关于量子神经网络的可学习性

    本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效模拟。

    Jul, 2020

  • 利用内在噪声进行量子机器学习隐私保护

    利用量子计算中的自然噪声保护量子机器学习模型的数据隐私，在不同次数运行量子电路可以实现目标隐私保护水平。

    Dec, 2023

  • 量子神经网络中量子态学习过程的统计分析

    本文开发了一个不可能定理，证明了使用量子神经网络（QNNs）从高保真度的初始状态开始，学习未知量子态的概率随比特数指数级下降，而与电路深度多项式增长，从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制，并深化了先验信息在 QNNs 中的作用的理解。

    Sep, 2023

  • 探索用于计算机视觉的量子增强机器学习：对噪声中尺度量子设备的应用和见解

    该研究探索了量子计算和机器学习的交叉领域，着重评估数据重新上传方案和补丁生成对抗网络模型等混合量子 - 经典算法在小规模量子设备上的有效性，并通过实际实现和测试揭示了这些算法与经典对应算法相当或更好的性能，突显了在机器学习任务中利用量子算法的潜力。

    Apr, 2024

  • 走向物理上可实现的量子神经网络

    本文提出了一种基于带限傅里叶展开的量子感知器（QPs）转移函数的模型，用于设计可扩展的训练过程的量子神经网络（QNNs），并在其中添加了一种随机化的量子随机梯度下降技术，消除了样本复制的需要，并证明该训练过程期望收敛于真实最小值，这有助于提高数据效率和遵守禁止复制规则。

    Mar, 2022

  • 可扩展的量子卷积神经网络

    提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 QNN 的局限性。

    Sep, 2022

  • 光子学中的量子生成对抗学习

    使用可编程硅量子光子芯片，我们首次在光子学中实验性地演示了 QGAN 模型，并研究了噪声和缺陷对其性能的影响。我们的结果显示，即使在生成器的相移器的一半受损，或者生成器和鉴别器的所有相移器受到高达 0.04π 的相位噪声的条件下，QGAN 可以生成高质量的量子数据，保真度超过 90％。我们的工作为在 NISQ 时代的量子硬件上实施 QGAN 提供了可行性的线索。

    Oct, 2023

  • 量子机器学习：从 NISQ 到容错

    量子机器学习的综述，包括在量子设备上运行机器学习算法的各种概念，介绍了在 Noisy Intermediate-Scale Quantum (NISQ) 技术中使用的技术和与容错量子计算硬件兼容的算法方法，同时涵盖了量子机器学习的基本概念、算法和与其相关的统计学习理论。

    Jan, 2024

  • 噪声抗干扰量子电路的机器学习

    该文档提出了一种基于机器学习的通用框架，用于降低噪音对量子电路的影响，并利用该框架构建出对噪声具有鲁棒性的电路，从而实现量子计算机的噪音约束计算。

    Jul, 2020