Apr, 2024

基于机器学习的误差缓解方法用于 IBM 的量子计算机上的可靠软件开发

PDF
TL;DR该研究论文提出了一种名为 Q-LEAR 的实用机器学习方法，通过一种新颖的特征集来减轻量子软件输出中的噪声错误，并与现有的基准 ML 方法进行比较，结果表明，与基准相比，Q-LEAR 在真实量子计算机和模拟器上的误差缓解平均提高了 25%。
quantum computersnoise errorsmachine learningq-learerror mitigation
发现论文，激发创造
  • 实用量子误差缓解的机器学习

    今天的量子计算机是否能通过传统方法的量子错误纠正来解决量子计算机的潜在困难是一个挑战，但机器学习为量子错误纠正提供了潜在解决方案，通过模拟和实验，机器学习在 100 量子位的量子计算机上得到了许多正面结果，并且展现了在各种量子电路和设备噪声情况下的潜力。

    Sep, 2023

  • 量子机器学习：从 NISQ 到容错

    量子机器学习的综述，包括在量子设备上运行机器学习算法的各种概念，介绍了在 Noisy Intermediate-Scale Quantum (NISQ) 技术中使用的技术和与容错量子计算硬件兼容的算法方法，同时涵盖了量子机器学习的基本概念、算法和与其相关的统计学习理论。

    Jan, 2024

  • 量子计算专家的机器学习

    量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。

    Apr, 2024

  • 机器学习中量子增强的对抗鲁棒性

    机器学习和量子计算的结合有潜力提供更高的准确性和计算效率，并对抗攻击产生更强的鲁棒性。然而，要建立强大的 QAML 工具仍有挑战。本文回顾了 QAML 的最新进展、字典并提出未来的研究方向，以期在量子计算硬件规模扩大和噪声水平降低的情况下实现 QAML 方法的实用性。

    Jun, 2023

  • 量子误差纠正的机器学习模型基准测试

    机器学习在量子误差纠正中的应用研究发现通过利用远程辅助量子位可以显著提高误差纠正的准确性，最新的深度学习算法可以将卷积神经网络的准确性提高约 50%。

    Nov, 2023

  • 量子增强机器学习

    本文旨在从量子信息的角度，发起一种系统地对待机器学习的方法，并涵盖了机器学习的三大分支：监督学习，无监督学习和强化学习。通过这种方法，本文提出了一个系统化的方案以解决强化学习中的量子提升问题，并证明了在限定的时间范围内，对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。

    Oct, 2016

  • 探索用于计算机视觉的量子增强机器学习：对噪声中尺度量子设备的应用和见解

    该研究探索了量子计算和机器学习的交叉领域，着重评估数据重新上传方案和补丁生成对抗网络模型等混合量子 - 经典算法在小规模量子设备上的有效性，并通过实际实现和测试揭示了这些算法与经典对应算法相当或更好的性能，突显了在机器学习任务中利用量子算法的潜力。

    Apr, 2024

  • 量子辅助模拟：在量子计算领域设计机器学习模型的框架

    利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

    Nov, 2023

  • 量子计算中强化学习的挑战

    该研究论文介绍了量子计算在当前 NISQ 时代的限制，并提出了通过混合量子机器学习来改善量子计算架构的方法，重点是利用强化学习来优化当前的量子计算方法，并介绍了由量子架构搜索和量子电路优化引起的各种挑战，以及提出的用于学习控制一组万能量子门的具体框架，并提供基准结果以评估当前最先进算法的优点和短处。

    Dec, 2023

  • 量子机器学习

    本文讨论了量子计算机在机器学习中的应用，介绍了量子机器学习领域的研究方向、挑战和最新进展。

    Nov, 2016