高效密度型量子机器学习训练

May, 2024

Training-efficient density quantum machine learning

Brian Coyle, El Amine Cherrat, Nishant Jain, Natansh Mathur, Snehal Raj...

TL;DR量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络，一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络，并允许在表达能力和高效可训练性之间进行折中，特别适用于量子硬件。我们通过将其应用于两个最近提出的模型族来展示该形式化方法的灵活性。第一个是具有有效可训练性但表达能力可能受限的交换块量子神经网络 (QNNs)。第二个是正交 (保持汉明权重) 量子神经网络，它在数据上提供了定义明确且可解释的转换，但在量子设备上进行大规模训练具有挑战性。密度交换块 QNNs 增加了容量，几乎没有梯度复杂度增加，而密度正交神经网络减少了梯度查询的复杂度，几乎没有性能损失。我们通过对具有超参数优化的合成平移不变数据和 MNIST 图像数据进行数值实验来支持我们的发现。最后，我们讨论了与后变分量量子神经网络、基于测量的量子机器学习和辍学机制之间的联系。

Abstract

quantum machine learning requires powerful, flexible and efficiently trainable models to be successful in solving challenging problems. In this work, we present density quantum neural networks, a learning model i

quantum machine learning density quantum neural networks parameterised quantum circuits commuting-block quantum neural networks orthogonal quantum neural networks

发现论文，激发创造

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

相干前馈量子神经网络

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

量子神经网络的威力

本文使用信息几何工具，定义了量子和经典神经网络的表达能力，将有效维度作为证明表达能力的新广义边界，并建立了一个强大的表达能力度量。我们展示了量子神经网络能够比相似的经典神经网络实现更好的有效维度，并因其更均匀分布的 Fisher 信息谱而显示了对枯燥的高原问题具有适应性并具有快速的训练能力。我们的工作是第一个通过更高的有效维度和更快的训练能力证明精心设计的量子神经网络优于经典神经网络的，并在实际量子硬件上进行了验证。

Oct, 2020

递归量子神经网络

通过构建一个由参数化的量子神经元组成的量子循环神经网络（QRNN），将量子计算与循环神经网络相结合，并通过序列学习和整数数字分类等任务进行了演示性能证明。

Jun, 2020

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

关于量子神经网络的可学习性

本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效模拟。

Jul, 2020

通过经典神经网络学习量子神经网络的学习方法

本文提出一种使用经典神经网络协助量子学习的元学习方法，通过训练经典递归神经网络对 Quantum Approximate Optimization Algorithm (QAOA) for MaxCut，QAOA for Sherrington-Kirkpatrick Ising model 以及 Hubbard model 的参数进行快速优化，以减少优化迭代次数。同时，发现该方法可以推广到其他问题类型，使得量子学习更加高效。

Jul, 2019

走向物理上可实现的量子神经网络

本文提出了一种基于带限傅里叶展开的量子感知器（QPs）转移函数的模型，用于设计可扩展的训练过程的量子神经网络（QNNs），并在其中添加了一种随机化的量子随机梯度下降技术，消除了样本复制的需要，并证明该训练过程期望收敛于真实最小值，这有助于提高数据效率和遵守禁止复制规则。

Mar, 2022

可扩展的量子神经网络用于分类

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

无梯度学习量子神经网络优化

本文提出了一种新颖的元优化算法，通过对量子电路的参数进行元优化，从而最小化目标函数，避免了经典梯度优化的局限性，通过实验和理论论证，在不同数据集上，相比现有基于梯度的算法，该方法可以更快更稳定地达到更好的效果。

Apr, 2023