基于轮廓 Coreset 和变分量子本征求解的聚类
通过选择核心集合来优化量子神经网络和量子内核的训练效率,研究分析了通过核心集合训练的量子神经网络和量子内核的泛化误差界限,并通过数值模拟揭示了核心集合选择在合成数据分类、量子相关性识别和量子编译等任务中的潜力。该研究提供了一种改进多样的量子机器学习模型并减少训练成本的有效方法。
Sep, 2023
提出了一种名为 ClusterVQE 的新算法,该算法利用量子互信息来将初始量子位空间分割为子空间(量子集群),这些集群进一步分布在单独的(更浅的)量子电路中,并且通过新的 “dressed” 哈密顿量考虑了不同集群之间的纠缠,从而实现了电子结构计算中 VQE 量子电路复杂度的降低。
Jun, 2021
本文讨论了量子算法中的优化问题,并提出了一种基于量子 - 经典混合的优化方案,其中包括变分绝热量子算法和单粒子门晶格,通过拟合和消除误差和采用现代没有导数的优化技术来节省计算成本。
Sep, 2015
本研究介绍一种混合经典 - 量子算法来解决大规模经典数据集和量子计算机只能对模型空间进行叠加访问的问题。该算法使用数据减少技术构建称为 coreset 的加权子集,通过量子计算机执行 Grover 搜索或拒绝取样,从而在最大似然估计,贝叶斯推断和鞍点优化方面实现了量子加速。具体的应用包括 k-means 聚类,逻辑回归,零和博弈和提升。
Mar, 2020
本篇论文介绍了一种基于 F-VQE 算法和因果锥的方法,可在量子计算机上更高效地解决组合优化问题,实验结果表明该方法比原始的 VQE 算法和量子近似优化算法(QAOA)更加优秀。
Jun, 2021
本研究介绍了 q-means 算法,一种用于聚类的新型量子算法,该算法具有与 $k$-means 类似的收敛性和精度保证,并且输出 $k$ 个集群中心的好近似值。此算法的运行时间呈多项式级别,优于经典算法,尤其适用于大型数据集。
Dec, 2018
基于 VQEC 算法模型,采用量子变分法和经典算法结合的方式进行带约束的优化,通过量子模拟器进行数值测试验证和参数优化,展示了其在近似解决复杂优化问题方面的优势。
Nov, 2023