简化测量改进变分量子算法
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
我们从计算复杂性的角度对实验量子物理学进行了系统研究,定义了量子算法测量 (QUALMs) 框架,用于研究量子多体物理学中的两个重要实验问题,并显示在使用实验样品的相干性 (空间和时间) 时,相较于分别访问每个实验样本的标准情况,可以实现可证明的指数加速。因此,我们的研究表明,量子计算机可以提供一种新的指数优势:量子实验的资源消耗获得指数级的节省。
Jan, 2021
本文回顾了构造有效星座的最新进展,分为两个类别 -- 化学启示和硬件效率 -- 这些方法产生的量子电路更容易在现代硬件上运行,并讨论了最初为 VQE 模拟制定的术语的不足以及在更复杂方法中如何解决它们和进一步改进的潜在方式。
Mar, 2021
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
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
近年来,变分量子算法(VQAs)作为在 NISQ 时代解决量子计算机上的优化问题的一种有前途的方法已经出现。然而,VQAs 的一个限制是它们对于特定问题或硬件配置可能不适合的固定结构电路。应对这个问题的一种主要策略是自适应 VQAs,通过添加和移除门来动态修改电路结构,并在训练过程中优化其参数。本文通过分析三种自适应 VQAs(进化变分量子特征求解器(EVQE),可变组态(VAns)和随机自适应 VQE(RA-VQE))来填补这一领域现有方法之间缺乏系统比较的空白。为了将这些算法与传统的 VQA 进行比较,我们还在分析中包括了量子近似优化算法(QAOA)。我们将这些算法应用于 QUBO 问题,并通过检查找到的解的质量和所需的计算时间来研究它们的性能。此外,我们还调查了超参数选择如何影响算法的整体性能,强调了选择适当的超参数调整方法的重要性。我们的分析为面向近期量子设备设计的自适应 VQAs 设定了基准,并为指导未来的研究提供了宝贵的见解。
Aug, 2023
我们构建了一个量子回归算法并确定了变分参数与学习回归系数之间的直接关系,利用直接将数据编码到反映经典数据表结构的量子振幅的电路。该算法适用于连接良好的量子比特,具有对数级时间复杂度优势,并提供了与传统一热编码技术相比所需的物理比特数量显著减少的压缩二进制编码方法,同时还能进行非线性回归。通过在实践中从量子回归模型学习中进行重要特征选择的集成模型训练,我们能够减小硬件噪音的影响。
Jul, 2023
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