量子极化度量学习:高效经典学习的量子嵌入
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
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
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
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
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
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
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