使用深度生成网络的量子问题变分优化
提出了一种用于改进生成对抗网络(GAN)的混合量子 - 经典架构(QC-GAN),通过与传统神经网络和量子变分电路的结合,实现了比经典 GAN 更好的性能,在迭代次数和训练参数方面也更加高效。该研究同时展示了将量子计算与机器学习相结合在量子 - 人工智能领域和人工智能 - 量子领域的价值。
Feb, 2024
文章介绍了采用深度神经网络结合重要性抽样梯度优化算法在数值量子多体计算中的应用,通过设计出高效的卷积神经网络结构,成功地计算出了一维 SU ($N$) 自旋链上的基态能量和环相关函数,并取得了与 Bethe-Ansatz 精确解的极好一致性。
May, 2019
本文提出了两种基于机器学习的方法,采用强化学习 (RL) 框架和核密度估计 (KDE) 技术,分别用于优化 QAOA 电路,从小规模问题实例中学习,然后在较大的问题实例中使用,结果表明与其他现成的优化器相比,这两种方法可以将优化度缺口减少多达 30.15 个因子。
Nov, 2019
利用全程可编程的光子芯片首次在光子学中实验估计量子自然梯度(QNG),获得了 He-H$^+$ 阳离子的解离曲线并实现了化学精度,验证了 QNG 优化在光子学设备上的超越性,为利用 QNG 在光子学中实现实用的短期量子应用打开了新的视野。
Oct, 2023
量子计算与混合量子经典计算结合的后变分策略,通过集成策略优化量子模型的方法以及构建个体量子电路的设计原则、后变分量子神经网络的架构设计以及估计误差的传播分析,能够应用于图像分类等实际应用,并实现 96% 的分类准确率。
Jul, 2023
本文提出了一种使用经典神经网络来生成量子电路参数的方法,以缓解 Barren Plateaus 现象,该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响,还能够在 VQA 训练期间减轻该影响,并展示了该方法在不同 CNN 架构下的表现。
May, 2022
本文介绍了基于变分方法的新型混合量子 - 经典算法类别,重点是探究了优化方法和精度水平对变分算法的性能影响,最后提出了用拟牛顿优化方法执行量子逼近优化算法的结果。
Jan, 2017
提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络(C-qGAN),该神经网络结构严格在量子电路内,因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品,为进一步研究其他路径依赖期权打下了基础。
Apr, 2023
神经网络量子态(NQSs)是通过结合传统方法和深度学习技术进行变分优化的一种新方法,用于找到量子多体基态,并逐渐成为传统变分方法的竞争对手。本文将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积,专注于振幅网络的优化,同时保持符号结构固定。我们的方法在三个典型的量子多体系统上进行了测试,所得到的基态能量低于或与传统变分蒙特卡罗(VMC)方法和密度矩阵重整化群(DMRG)相当。令人惊讶的是,在受挫型海森堡 $J_1$-$J_2$ 模型中,我们的结果优于文献中复值卷积神经网络,这意味着复值 NQS 的符号结构很难被优化。我们将来将研究 NQS 的符号结构优化。
Aug, 2023
我们通过大量的证据反驳了普遍观点,即变分学习对于大型神经网络无效。我们展示了一种名为改进变分在线牛顿(IVON)的优化器,在训练 GPT-2 和 ResNets 等大型网络时,始终能够与 Adam 相匹配或胜过它。IVON 的计算成本与 Adam 几乎相同,但其预测的不确定性更好。我们展示了 IVON 的几个新用例,其中我们改善了大型语言模型的微调和模型合并,准确预测了泛化误差,并忠实地估计了对数据的敏感性。我们发现了支持变分学习有效性的压倒性证据。
Feb, 2024