Apr, 2024

Qiskit-Torch-Module：快速原型制作量子神经网络

PDF
TL;DR量子计算机仿真软件关键研究领域：qiskit-torch-module 在提高运行效率、低开销与 PyTorch 集成方面较其他库提升两个数量级；适用于单机计算系统的高级工具，便于量子神经网络的整合。
quantum computer simulation softwareqiskit-torch-moduleruntime performancequantum neural networkssingle-machine compute systems
发现论文，激发创造
  • TensorFlow Quantum：量子机器学习软件框架

    TensorFlow Quantum 是一个开源库，支持快速原型设计经典或量子数据的混合量子 - 经典模型，并提供高级抽象来设计和训练区分性和生成性量子模型。该库的功能包括超导量子分类和控制，噪声型和最优化截断模拟以及类似神经网络的混合量子 - 经典模型的层次学习和 Hilbert 空间的量子分类；旨在为量子计算和机器学习提供必要的工具，发现潜在的量子算法。

    Mar, 2020

  • NetKet 3：用于多体量子系统的机器学习工具箱

    NetKet 3 是一个支持 GPU 和 TPU 加速训练的基于神经网络的量子态的机器学习工具箱，使用 JAX 和自动微分 方法定义 Python 代码，支持离散对称性，可用于量子动力学应用。

    Dec, 2021

  • TorchMD-Net 2.0：面向分子模拟的快速神经网络势函数

    TorchMD-Net 软件通过模块化设计方法，显著提高了计算效率，并引入了 TensorNet 和物理先验的集成，从而实现了从传统力场到神经网络势能的转变。

    Feb, 2024

  • QuEst: 量子电路可靠性估计的图形变换器

    使用 TorchQuantum Python 库中的图形变换模型，利用机器学习方法预测噪声对电路保真度的影响，可以在估计精度和速度方面胜过传统的电路模拟器。

    Oct, 2022

  • 基于多 GPU 的混合量子 - 经典工作流的量子 - HPC 框架：在量子模拟中的应用

    利用一种创新的分布感知型的 QCQ 架构，将量子硬件和经典计算资源相结合，实现高性能计算，解决材料和凝聚态物理的量子模拟挑战，通过整合量子软件框架、高性能计算资源、量子算法和机器学习，该架构能够在分布式计算环境中有效进行量子状态准备、量子状态分类及量子模拟任务，实现量子 - 高性能计算的可扩展性，加速复杂相变分类任务并提供准确的相变预测。

    Mar, 2024

  • QPyTorch: 一个低精度算术模拟框架

    本文介绍了 QPyTorch 模拟框架，利用该框架可以方便地研究低精度训练。通过使用该框架，可以有效减小低精度训练给计算机带来的负担，以及避免硬件开发的高昂成本，从而得到效率更高的模型。

    Oct, 2019

  • 高效优化和可解释的量子神经网络

    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

  • 量子神经网络分类器：教程

    本文主要讨论了量子神经网络（Quantum Neural Networks）在监督学习任务中的不同结构和编码策略，并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能，以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。

    Jun, 2022

  • 学习使用快速权重编程变分量子电路

    引入量子快速权重程序 (QFWP) 作为解决时间或序列学习挑战的方法。

    Feb, 2024

  • 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