Dec, 2023

通过顺序哈密顿装配改善 VQE 的参数训练

PDF
TL;DR在量子机器学习中，设计和训练参数化量子电路（PQCs）是一个主要挑战。本论文提出了一种顺序哈密顿组装方法，用于处理全局损失函数的参数训练，并通过实验结果证明了该方法在图着色问题中的有效性，表现优于传统的参数训练和层次学习方法，为解决消失梯度问题提供了一种局部感知的学习技术。
quantum machine learningparameterized quantum circuitsvanishing gradientslocal loss functionslocality-aware learning techniques
发现论文，激发创造
  • 强化学习用于变分量子电路架构优化

    本论文提出了一种基于强化学习的算法，能够自主探索合适的变分预测模型，同时最小化电路的深度并增加结果的精度，在锂氢分子比较经典的量子计算基准问题上取得了化学精度和最先进的电路深度优化结果。

    Mar, 2021

  • 强化学习中变分量子电路的优化技术研究

    量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。

    May, 2024

  • 量子机器学习的分层学习：大规模变分量子电路的新型训练技术

    我们提出了分层学习，一种用于训练大规模变分量子电路的新颖变分体系结构，并用量子电路比特机 (QCBMs) 测试和基准测试我们的技术。

    Nov, 2023

  • 通过正则化策略提高变分量子电路的可训练性

    在嘈杂中等规模量子（NISQ）时代，本研究提出一种使用先验知识和高斯噪声扩散来规范化模型参数的策略，以提高量子变分电路的可训练性并解决梯度问题。实验证明这种方法对超越经典模型的四个公共数据集的可训练性具有改进作用。

    May, 2024

  • 参数化量子电路在函数近似中的可证好处

    理解参数化量子电路在机器学习任务中的能力是量子机器学习中最重要的问题之一。本文通过函数逼近的角度分析了参数化量子电路的表达能力，并展示了在逼近连续和平滑函数方面数据重新上传参数化量子电路的明确构造，以及其在宽度、深度和可训练参数数量方面的定量逼近误差界限。此外，我们还将提出的参数化量子电路与近乎最优的深度神经网络进行了比较，在逼近高维平滑函数方面，表明参数化量子电路和深度神经网络之间的模型尺寸比在输入维度方面呈指数级减小，这为展示量子机器学习的量子优势提供了潜在的新途径。

    Oct, 2023

  • 参数并行分布式变分量子算法

    通过提出参数并行分布式变分量子算法（PPD-VQA）和可替代的训练策略，以及梯度压缩技术来缓解由于噪声差异导致的加速度衰减和潜在通信瓶颈的影响，这项研究证明 PPD-VQA 可以为多个量子处理器协调处理大规模实际应用提供实用的解决方案。

    Jul, 2022

  • 浅层参数量子电路中与成本函数有关的不毛之地

    本文研究了量子电路参数优化问题，通过对全局和局部可观测量定义了两种方法，证明了在一定条件下采用局部可观测量定义的方法能够获得更好的训练效果。

    Jan, 2020

  • Gym 中的量子代理：一种深度 Q-learning 的变分量子算法

    本文介绍了一种用于解决离散和连续状态空间的 RL 任务的训练方法，该方法基于深度 Q-learning 算法。研究通过消融研究探究了量子 Q-learning 算法的体系结构选择对于成功解决某些环境的重要性，并提出了用于选择适当的观测量的方法，以比较量子和经典 DQN 算法的性能.

    Mar, 2021

  • 变分去噪用于变分量子本征求解器

    该研究提出了一种基于参数化量子神经网络的无监督学习方法，名为变分降噪，用于改善含有噪声的 Variational Quantum Eigensolver（VQE）模型的输出结果，在 H2 和 LiH 分子哈密顿量的能量估计和保真度方面比噪声输入数据具有更高的准确性和有效性，并且可以将变分降噪集成到量子硬件中，提高了量子硬件的多样性和端到端的量子处理能力。

    Apr, 2023

  • 基于电路的量子分类器

    本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

    Apr, 2018