量子模拟随机过程中的准确性与内存优势
本研究比较了传统机器学习和量子机器学习在物理实验结果预测方面的表现,发现虽然对于任何输入分布,使用经典机器学习模型可以实现平均准确预测,但是利用量子机器学习模型,可以在所有输入分布上达到指数级别的量子优势,此外,我们提出了一种仅需要 O (n) 个副本来预测 n 量子位系统的所有 Pauli 可观察量期望值的量子机器学习模型,为解决物理和化学领域的难题提供了新思路。
Jan, 2021
探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处,提出了一种用于评估量子学习任务潜在优势的方法,并提出了一种通过量子速度提高学习效率的量子机器学习模型。
Nov, 2020
使用超导体五比特处理器,对基于 oracle 的问题进行求解,经过实验验证,在现有的嘈杂系统中,量子计算机的查询次数明显比经典计算机少,这种差距会随着误差率和问题大小的增加而不断扩大,这证明了量子优势确实在现有的嘈杂系统中出现了。
Dec, 2015
利用量子技术进行物理实验可以比经典实验在各个方面都具备优势,包括预测物理系统的属性、处理噪声态的量子主成分分析以及学习物理动力学的近似模型。通过实验,研究人员证明了量子机器要比经典机器学习、预测等任务所需的实验次数少得多,并且量子处理的数量级可以适当控制。
Dec, 2021
利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高,本文对量子计算、机器学习和量子机器学习算法进行了探讨,并提供了一个简化的步骤,可以帮助读者建立量子机器学习算法的模拟。此外,通过在数据集上利用机器学习和量子机器学习方法进行模拟,利用量子模拟器对它们的性能进行了比较。
Nov, 2023
研究量子计算中的量子优越性,探讨基于(伪)随机量子电路输出分布的采样任务,指出在经典计算机上模拟需指数级时间,并在超级计算机模拟的基础上,得出了实现量子优越性所需的近 50 个超导量子位。引入交叉熵作为量子电路的评估标准,并提出基于交叉熵的量子优越性实验方案。
Jul, 2016
通过经典模拟进行基准测试是在没有无噪声硬件之前评估量子机器学习想法的主要方法之一。然而,实验设计的巨大影响、当今可行范围内的小规模以及受量子技术商业化影响的叙事使得难以获得稳健的见解。为了促进更好的决策,我们开发了一个基于 PennyLane 软件框架的开源包,并使用它对 12 个流行的量子机器学习模型在 6 个二分类任务上进行了大规模研究,这些任务用于创建 160 个单独的数据集。我们发现整体而言,开箱即用的经典机器学习模型优于量子分类器。此外,将一个量子模型中的纠缠去除往往会导致同样好或更好的性能,这表明在这里考虑的小学习任务中,“量子性” 可能不是关键因素。我们的基准测试还开启了超越简单排行榜比较的研究,并从我们的结果中提出了五个与量子模型设计相关的重要问题。
Mar, 2024
研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能,结果表明虽然模拟时间较长,但是该模型优于传统网络,达到更好的收敛性和高的训练和测试精度。
Aug, 2021