量子极化度量学习：高效经典学习的量子嵌入

Dec, 2023

量子极化度量学习：高效经典学习的量子嵌入

Quantum Polar Metric Learning: Efficient Classically Learned Quantum Embeddings

Vinayak Sharma, Aviral Shrivastava

TL;DR基于深度度量学习和量子计算的研究，提出了一种新的量子极化度量学习 (QPMeL) 方法，通过使用经典模型学习极坐标形式的量子比特参数，并结合浅层的参数化量子电路和可训练的量子门层进行训练，以实现更好的多类别分离效果。在与现有量子度量学习方法和经典网络相比较时，QPMeL 方法取得了较好的性能表现，为未来基于经典模型和量子损失函数的研究提供了有前景的方向。

Abstract

deep metric learning has recently shown extremely promising results in the classical data domain, creating well-separated feature spaces. This idea was also adapted to quantum computers via quantum metric learning

deep metric learning quantum metric learning noisy intermediate scale quantum (nisq) devices quantum polar metric learning (qpmel)fidelity triplet loss function

发现论文，激发创造

机器学习的量子嵌入

该论文提出了一种称为量子度量学习的新策略，通过训练可训练的量子电路的第一部分来实现数据类最大分离的嵌入，从而消除了当前模型中的一个主要部分。

Jan, 2020

BQP^A 协议与潜在图分类器的几何量子机器学习

几何量子机器学习 (GQML) 通过嵌入问题的对称性来学习高效的解决协议。我们考虑了学习布尔函数属性的 Simon 问题，并将其与无监督电路分类问题相关联。通过几何 QML 的工作流程，我们从头学习了 Simon 算法，从而发现了一个关于某个数据集（oracle A）的 BQP^A≠BPP 协议的例子。我们的关键发现包括基于比特翻转和置换对称性魔术态的嵌入布尔函数的等变特征映射以及基于不变观测量的具有取样优势的测量。所提出的工作流程指出了数据嵌入和经典后处理的重要性，同时将变分电路作为一个平凡的恒等算符。我们将实例可视化为有向计算超图，观察到 GQML 协议可以访问它们的全局拓扑特征，以区分双射函数和满射函数。最后，我们讨论了学习其他 BQP^A 类型协议的前景，并推测这取决于将以单位算子的线性组合应用为嵌入的能力。

Feb, 2024

用生成建模方法来评估和训练浅层量子电路

本研究提出了一种基于量子电路学习的算法，可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征，并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格（Greenberger-Horne-Zeilinger）状态的最佳制备方法，也可以有效地制备连续热态的近似表示，其波函数在其幅度中编码玻尔兹曼概率。最后，研究提供了一种新的硬件无关指标，称为 qBAS 得分，可用于衡量近期量子设备的性能。

Jan, 2018

基于测量算子的量子机器学习用于多类分类

本研究提出了一种基于 PVM 的新型量子机器学习框架，通过利用概率幅度的特性，使输出维度从 q（量子位数）扩展到 2^q，可以用于多类分类，并证明其在各种数据集上的表现均优于当前的 SOTA 方法，同时在不超过 6 个量子位的情况下，其性能比 SOTA 框架高出约 42.2%。

Oct, 2022

量子多智能体元强化学习

本文提出 QM2ARL，利用量子神经网络的两个不同维度的参数来重新设计 MARL，实现了元学习和记忆地址功能，并通过模拟验证了其在高回报和快速收敛方面的有效性。

Aug, 2022

量子跨平台验证的多模态深度表示学习

通过创新的多模态学习方法，本研究采用量子计算中数据形式的两种不同模态：测量结果和编译电路的经典描述，从而建立了一个全面的数据表示。通过对不同噪声模型的平台进行评估，结果显示相比随机测量，我们的方法在预测准确性上有三个数量级的提升，从而为跨平台验证中每种模态的互补作用提供了有力证据。这些发现为利用多模态学习克服更广泛的量子系统学习任务中的挑战铺平了道路。

Nov, 2023

通过图模型证实学习量子态

学习具有接近神经网络量子态的性质的量子态的鲁棒性算法，从而在样本复杂度上表现出指数级的改善。

Sep, 2023

深度量子神经网络中梯度测量效率与表达能力的权衡

量子神经网络（QNNs）需要一种高效的训练算法以实现实际的量子优势。我们提出了一种通用的权衡关系，即高测量效率会导致较低的表达能力，而减少 QNN 的表达能力可以提高梯度测量效率，同时提出了一种称为稳定 - 逻辑乘积 ansatz 的 QNN 设计方案，可以实现权衡不等式的上限，在学习未知对称函数时显著减少了量子资源需求，保持了准确性和可训练性。

Jun, 2024

区分量子测量轨迹并提高读出精度的机器学习方法

采用聚类方法增强机器学习，将量子信息协议中的超导量子比特系统的测量轨迹进行分类，诊断系统错误，并改进分类方法，提高测量精度。

Nov, 2014

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