数据嵌入在等变量量子卷积神经网络中的作用

Dec, 2023

数据嵌入在等变量量子卷积神经网络中的作用

The role of data embedding in equivariant quantum convolutional neural networks

Sreetama Das, Stefano Martina, Filippo Caruso

TL;DR对使用数据集的对称性来约束神经网络的参数空间以提高其可训练性和泛化能力的几何深度学习方法在量子机器学习领域得到了应用，其中包括了等变量量子神经网络 (EQNNs)。本研究探讨了经典到量子嵌入对等变量量子卷积神经网络（EQCNNs）图像分类性能的影响，分析了数据嵌入方法与对称群表示的关联，以及不同表示对 EQCNN 表达能力的影响。我们数值比较了基于三种不同基佯波函数嵌入的 EQCNN 与非等变量量子卷积神经网络（QCNN）的分类准确性。结果显示，在训练迭代次数较少时，所有的 EQCNN 都比非等变量 QCNN 具有更高的分类准确性，而在迭代次数较多时，这种改进明显依赖于所使用的嵌入方法。预计本研究的结果对于几何量子机器学习中数据嵌入选择的重要性有着更好的了解，对学术界具有实用意义。

Abstract

geometric deep learning refers to the scenario in which the symmetries of a dataset are used to constrain the parameter space of a neural network and thus, improve their trainability and generalization. Recently this idea has been incorporated into the field of quantum machine learning

geometric deep learning equivariant quantum neural networks classical-to-quantum embedding classification accuracy data embedding choice

发现论文，激发创造

关于图像中 $p4m$ 对称性的近似等变量量子神经网络

这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络（EquivQCNNs），用于图像分类，并在不同的用例中进行测试，证明了等变性促进了模型更好的泛化能力。

Oct, 2023

置换等变量量子卷积神经网络

量子机器学习中，基于置换对称系统的强大算法被提出，利用对称群、等价量子卷积神经网络等关键词建立了置换对称系统的强大算法。

Apr, 2024

不变量和等变量的经典与量子图神经网络比较

机器学习算法、图神经网络、量子计算、等变图神经网络和二元分类任务是本文的关键词和研究主题。

Nov, 2023

存在噪声下的几何量子机器学习中的对称性破缺

基于等变量量子神经网络（EQNN）的几何量子机器学习是量子机器学习中的一个有前景的方向，本文研究了 EQNN 模型在噪声存在下的行为，通过数值模拟和高达 64 比特的硬件实验支持实验的结果，并提出了在噪声存在时增强 EQNN 模型对称性保护的策略。

Jan, 2024

量子卷积神经网络的教训

从分析量子卷积神经网络（QCNNs）中我们得出以下结论：1）利用量子数据可以通过隐藏特征映射来嵌入物理系统参数；2）它们在量子相识别方面的高性能可以归因于在地面态嵌入期间产生非常适合的基函数集，其中旋转模型的量子临界性导致具有快速变化特征的基函数；3）QCNNs 的汇集层负责选择那些可以有助于形成高性能决策边界的基函数，学习过程对应调整测量，使得少量量子比特算子映射到全寄存器观测量；4）QCNN 模型的泛化强依赖于嵌入类型，而基于傅立叶基准的旋转特征映射需要精心设计；5）基于有限测量次数的 QCNN 的准确性和泛化能力偏爱地面态嵌入和相关的物理信息模型。我们通过模拟展示了这些观点，我们的结果为感知应用中与物理过程分类有关的问题提供了启示。最后，我们展示了选择适当的地面态嵌入可以用于流体动力学问题的 QCNN，可以良好泛化并经过验证可训练。

Aug, 2023

群卷积神经网络提高量子态准确度

本文介绍如何使用 G-CNN 创建具有特定对称性质的量子状态的最大表现模型，并在经典算法中取得更好的性能表现。

Apr, 2021

量子图卷积神经网络

本文提出基于量子参数电路的新型量子图卷积神经网络（QGCN）模型，利用量子系统的计算能力实现传统机器学习中的图分类任务，并在图数据集上呈现了良好的性能。

Jul, 2021

群等变神经网络的理论方面

本文介绍了群等变神经网络及其在机器学习中的应用及理论，其中包括群表示理论、非交换调和分析和微分几何等内容，研究结果表明这些网络可以降低样本和模型的复杂性，在输入具有任意相对角度的挑战性任务中表现出色。

Apr, 2020

等变规范卷积网络和二十面体 CNN

本研究提出了一种基于变换对称性等效性原则的神经网络架构设计方法，并将此原则扩展至局部规范变换领域，以实现在流形上的卷积神经网络，提高了全景图像与全球气候图案分割等任务的性能。

Feb, 2019

$\mathbb {Z}_2\times \mathbb {Z}_2$ 量子神经网络：与经典神经网络的基准测试

该研究通过对比分析了等变量量子神经网络（EQNN）和量子神经网络（QNN）与它们的经典对应物等变量神经网络（ENN）和深度神经网络（DNN）的性能，在模型复杂度和训练数据集的大小方面，通过两个玩具示例的二分类任务对每个网络的性能进行了评估。我们的结果表明，Z2×Z2 EQNN 和 QNN 在较小参数集和适度训练数据样本的情况下提供了更好的性能。

Nov, 2023