Feb, 2024

NCoder -- 量子场论编码数据方法

PDF
TL;DR我们提出了一种基于量子场论（QFT）的可解释人工智能的新方法，即 NCoder。NCoder 是一个修改的自编码神经网络，其潜在层被规定为 $n$- 点相关函数的一个子集。通过将图像视为从晶格场论中获得的随机抽样，该架构模拟了以 Feynman 图在展开中逐阶构造理论有效作用量的任务。或者，NCoder 可以被看作是模拟统计推断的过程，其中高维数据首先用几个较低维度的摘要统计量（这里是 $n$- 点相关函数）总结，然后通过从这些统计量推断数据生成分布来生成样本外数据。通过将 NCoder 应用于 MNIST 图像的生成，我们证明了 NCoder 的有效性，发现仅使用图像分布的前三个 $n$- 点函数的信息就可以正确分类生成的图像。
发现论文，激发创造
  • 数据编码对变分量子机器学习模型表达能力的影响

    本文研究了数据编码策略对参数化量子电路作为函数逼近器的表达能力的影响，发现量子模型可以被自然地写成数据的部分傅里叶级数，通过多次反复简单的数据编码门，量子模型可以访问越来越丰富的频率光谱，发现存在一些量子模型可以实现所有可能的傅里叶系数集，因此如果可访问频谱足够丰富，则这些模型是通用函数逼近器。

    Aug, 2020

  • qecGPT: 用生成式预训练转换器解码量子纠错码

    我们提出了一种使用生成建模对量子纠错码进行译码的通用框架，该模型利用自回归神经网络，特别是 Transformer，学习逻辑运算符和综合症的联合概率。经过预训练后，该模型可以在给定综合症的情况下，使用最大似然译码高效计算逻辑运算符的可能性，并以计算复杂度为 O (2k)（k 为逻辑比特数）直接生成最可能的逻辑运算符，远优于需要 O (4^k) 计算的传统最大似然译码算法。我们进一步提出了一种基于经过预训练的模型的改进方法，通过直接采样稳定子运算符，更准确地确定给定综合症的逻辑运算符的可能性。我们对具有小码距的稳定子码进行了数值实验，使用了失真性误差模型和具有相关噪声的误差模型。结果显示，我们的方法在译码准确性方面比最小重量完美匹配和基于置信传播的算法提供了显着改进。我们的框架是通用的，可以应用于任何误差模型和具有不同拓扑结构的量子码，如面对码和量子 LDPC 码。此外，它利用了 GPU 的并行化能力，能够同时解码大量的综合症。我们的方法利用了生成式人工智能和现代计算能力对量子纠错码的高效准确解码提供了启示。

    Jul, 2023

  • 用递归的、基于变压器的神经网络学习解码表面码

    我们提出了一种基于循环和 Transformer 的神经网络解码器，可以学习解码表面码（surface code），并在真实世界的数据中击败现有的算法解码器，在距离为 3 和 5 的表面码上优于 Google 的 Sycamore 量子处理器。在模拟数据上的实验显示，我们的解码器在包括串扰、泄漏和模拟读出信号等现实噪声的情况下，能够保持其优势，并且在训练过的 25 个循环之外依然能够保持准确性。我们的研究展示了机器学习通过直接学习数据的能力，凸显出机器学习在解码量子计算中作为一个强有力的竞争对手。

    Oct, 2023

  • Transformer-QEC：具有可转移性的 Transformer 量子纠错码解码

    量子错误纠正是量子计算的一个关键挑战，本研究提出了一种基于 Transformer 的 QEC 解码器，它利用自注意力实现了全局感受野，结合了局部物理错误和全局奇偶标签损失的训练方法，以及其对不同码距的有效迁移学习能力，实现了较佳的逻辑错误率和节省 10 倍以上的训练成本。

    Nov, 2023

  • 量子自编码器用于量子数据高效压缩

    本篇论文研究使用经典的优化算法来训练量子自编码器，从而实现对量子数据进行压缩和简化处理，且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。

    Dec, 2016

  • 3D-QAE：全量子三维点云的完全自编码

    该论文介绍了首个用于三维点云的量子自动编码器，通过在模拟的基于门的量子硬件上进行实验，证明了该方法优于简单的经典基准模型，为三维计算机视觉领域开辟了新的研究方向。

    Nov, 2023

  • 学习有指数数量条件分布

    本文介绍了自我监督学习机器 Neural Conditioner (NC)，该机器利用对抗训练学习限定于随机变量 X 的所有条件分布，最后可以泛化到从未见过的联合分布中进行采样和实现数据自动编码。

    Feb, 2019

  • 量子神经网络作为量子信息解码器的优势

    一种保护量子信息免受噪音诱导错误的有前途的策略是将其编码到拓扑量子存储设备的低能态中。在现实情况下，对于这种存储器的读出错误却不为人所熟知。我们研究在存在诸如淬灭性紊乱等通用扰动的情况下，解码编码在拓扑稳定子哈密顿量的基态中的量子信息的问题。首先，我们通过证明在这种扰动的量子码中，基于稳定子的纠错和解码方案能够适当地发挥作用，从而使得解码误差按照基础未扰动码的距离呈指数下降。然后，我们证明了量子神经网络（QNN）编码器可以几乎使读出错误有二次改善。因此，我们证明了在解码现实量子纠错码时使用 QNN 的有利，这一结果使得在近期实验室环境中可以探索更广泛的非稳定子码范围。

    Jan, 2024

  • END: 量子纠错等变神经解码器

    本文介绍了一种利用问题对称性的、数据效率高的神经网络译码器来纠正量子计算中的错误，该译码器可以自适应噪声分布，能够与先前的神经网络译码器相比实现最先进的准确性。

    Apr, 2023

  • 单量子比特本地量子神经网络的能力和局限性

    本文提出了一个理论框架，针对由替换编码电路块和可训练电路块组成的数据重新上传量子神经网络的表达能力进行研究，并证明了单量子比特量子神经网络可以通过将模型映射到部分傅里叶级数来逼近任何一元函数，并讨论了单量子比特本地 QNN 逼近多元函数的局限性。通过数值实验展示了单量子比特本地 QNN 的表达能力和局限性。

    May, 2022