本研究探讨了如何通过量子神经网络来实现以图形结构的量子数据的量子机器学习,并证明了利用图的结构可以提高学习算法,我们进行了数值模拟并展示了出色的学习表现,推测在下一代量子计算设备上可实现可扩展的量子学习程序。
Mar, 2021
通过比较研究,证明 Restricted Boltzmann Machines 与 Tensor-Network states 有很强的联系,在表示多体量子态时可以提高神经网络的效率。
Oct, 2017
深度神经网络具有很高的表示能力,能够高效地表示大多数物理态,然而浅层神经网络在计算复杂度理论中的一些较高层次上不能够高效地表示这些态。
Jan, 2017
本研究提出了在量子计算机上实现图神经网络(GNNs)的框架,以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战,通过制定与三种经典 GNNs 对应的量子算法:图卷积网络(Graph Convolutional Networks)、图注意力网络(Graph Attention Networks)和消息传递 GNNs(Message-Passing GNNs)。我们对简化的图卷积(SGC)网络的量子实现进行了复杂性分析,结果显示与经典方法相比,我们的量子 SGC 在时间和空间复杂度上具有潜在的优势,能够高效处理大规模图,这为在量子计算机上实现更先进的图神经网络模型铺平了道路,为用于分析图结构数据的量子机器学习开拓了新的可能性。
May, 2024
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
本文开发了一个不可能定理,证明了使用量子神经网络(QNNs)从高保真度的初始状态开始,学习未知量子态的概率随比特数指数级下降,而与电路深度多项式增长,从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制,并深化了先验信息在 QNNs 中的作用的理解。
Sep, 2023
本文概述了张量网络状态和方法在物理、量子信息学、人工智能等科学领域中的应用,并简要介绍了相关概念和发展,包括张量网络结构、算法、全局和规范对称性、费米子、拓扑序、相分类、纠缠哈密顿量、AdS / CFT、二维 Hubbard 模型、二维量子反铁磁体、共形场论、量子化学、无序系统和多体定位等。
Dec, 2018
本文研究了特定纠缠态和图形之间的联系,提出了一种基于量子计算的图数据结构,并证明了这种数据结构的操作效率优于任何经典结构。
Oct, 2015
我们提出一种基于费米模型的量子神经网络,其物理特性作为输出,并建立了与反向传播相媲美的高效优化,在具有挑战性的经典机器学习基准上具有竞争力的准确度,并且在量子系统上实现高精度且不需要预处理的机器学习,此外研究结果可用于量子纠缠分析和可解释的机器学习。
Nov, 2022
我们提出了一种量子神经网络,其中经典神经元通过添加辅助位变得可逆,然后被概括为量子可逆神经元,并能用梯度下降法在代价函数上有效地训练来执行量子推广的经典任务,例如压缩量子态和发现量子通信协议。
Dec, 2016