Mar, 2024

应用量子张量网络进行蛋白质分类

PDF
TL;DR蛋白质序列可以被看作自然语言处理中的句子，并且可以使用现有的量子自然语言处理框架解析为合理量子比特的参数化量子电路，这些电路可以被训练用于解决各种与蛋白质相关的机器学习问题。论文提出了适应蛋白质数据需求的详细方法，通过全面的实验结果支持，展示了两种不同的量子张量网络（QTN），并使用经典循环神经网络（RNN）和卷积神经网络（CNN）的灵感来解决所提到的二元分类任务。我们的最佳量子模型的准确率达到 94%，与使用 ESM2 蛋白质语言模型嵌入的经典模型性能相媲美，而我们最好的量子模型仅需要约 800 个参数。研究表明，这些混合模型表现出有希望的性能，展示了它们与类似复杂度的经典模型竞争的潜力。
protein sequencesquantum natural language frameworkquantum tensor networks (qtn)bioinformaticshybrid models
发现论文，激发创造
  • 近期处理器上的量子神经网络分类

    我们介绍了一个可以通过监督学习表示带有标签的数据（经典或量子）并进行训练的量子神经网络。该网络由一系列参数相关的酉变换组成，作用于输入的量子态，可以进行二元分类。我们展示了如何对经典数据集进行分类，并使用实际数据集的例子展示了该网络的应用。

    Feb, 2018

  • 使用张量网络实现量子机器学习

    本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

    Mar, 2018

  • 量子计算机上的肽结合分类

    我们对使用近期量子计算机在计算生物学领域进行的任务进行了广泛的研究，通过构建基于参数化量子电路的量子模型，我们对与治疗蛋白设计相关的任务进行序列分类，并发现与规模相似的经典基线相比具有竞争性能。

    Nov, 2023

  • 多尺度特征融合量子深度卷积神经网络用于文本分类

    提出了一种基于量子卷积的全新量子神经网络模型，该模型通过引入多尺度特征融合机制和量子深度卷积来提高模型性能，并通过实验证明其在文本分类任务上优于现有量子神经网络模型，同时在使用更少参数的情况下提高了测试精度。

    May, 2024

  • 高能物理数据上的量子启发式机器学习

    本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。

    Apr, 2020

  • 用于可解释和高效的量子启发式机器学习的张量网络

    用张量网络作为数学工具，基于量子信息和多体物理等理论实现了机器学习，提高了可解释性和效率，并预示了将来发展的 “量子人工智能” 方向。

    Nov, 2023

  • 量子卷积神经网络

    我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。

    Oct, 2018

  • 量子启发张量网络的监督学习

    本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。

    May, 2016

  • 深度张量神经网络从量子化学角度的洞见

    本文提出了一种基于深度张量神经网络（DTNN）的方法，可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，此方法可以用于预测分子的原子能和局部化学势，同位素能和分子的电子结构，为揭示复杂的量子化学体系提供了新的突破。

    Sep, 2016

  • 多类量子卷积神经网络

    使用 PennyLane 实现的量子卷积神经网络（QCNN）通过参数化量子电路优化来最小化交叉熵损失，用于经典数据的多类分类，在 MNIST 数据集上的实验结果表明，对于 4 类问题，性能略低于经典 CNN，但对于更多类别的问题，量子卷积神经网络表现出更好的性能。

    Apr, 2024