学习使用快速权重编程变分量子电路
通过在快速和慢速神经网络中加入循环来探索新的变化形式,提出一种新颖的循环快速权重编程模型(RFWPs),并在两个合成算法任务,语言模型和 Atari 2600 2D 游戏环境中评估了模型的效果。
Jun, 2021
本文介绍了一种用于解决离散和连续状态空间的 RL 任务的训练方法,该方法基于深度 Q-learning 算法。研究通过消融研究探究了量子 Q-learning 算法的体系结构选择对于成功解决某些环境的重要性,并提出了用于选择适当的观测量的方法,以比较量子和经典 DQN 算法的性能.
Mar, 2021
我们提出了一种真正的量子神经网络模型,其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性,并且具有较低的电路深度和所需的 C-NOT 门数量,从而优于现有的量子神经网络模型。通过对基准数据集进行测试,我们证明了我们的方法的优越性能,并且使用更少的量子资源要求,为将量子神经网络应用于实际相关的机器学习问题铺平了道路。
Feb, 2024
本论文提出了第一个完全量子联邦学习框架,该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集,然后将其提供给使用 QCNN 模型的客户端执行分类任务,并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。
May, 2021
参数化量子电路作为机器学习模型通常通过输入特征的部分傅里叶级数来描述,其频率由特征映射的生成哈密顿量唯一确定。本文提出了一个可训练频率 (TF) 的量子模型的泛化方法,演示了 TF 模型如何学习具有理想特性的生成器,并且可以在频谱中包含非常规间距的频率和灵活的谱丰度。最后,通过仅向每个编码操作添加单个参数的 TF 模型,在解决 Navier-Stokes 方程时展示了我们方法的真实效果和提高的准确性。由于 TF 模型包含传统的固定频率模型,它们可能是变分量子机器学习的合理默认选择。
Sep, 2023
本研究发现线性化自注意力机制与 90 年代早期的快速权重控制器存在正式等价,提出了一种基于增量规则编程指令的快速权重编程器,用以克服近期线性化 softmax 注意力变体的存储容量限制,以及提高动态学习率的计算效率,在合成检索问题以及标准机器翻译和语言模型任务上均获得明显优势。
Feb, 2021
本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题,并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。
Oct, 2022
本研究探讨了一种可扩展的量子神经网络(SQNN)方法,通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明,相比于相同规模的常规 QNN 模型, SQNN 模型可以实现具有可比较的分类精度,并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。
Aug, 2022