本文研究了参数化量子电路的逐层学习策略,并表明此策略相对于标准学习方案更适用于执行于噪声中等量子设备上,可以在手写数字图像分类任务中实现更低的泛化误差,在比同等大小的量子电路训练更少的参数的情况下,达到更低的测试误差。
Jun, 2020
通过量子架构搜索来最大程度地提高VQAs的鲁棒性和可培训性,以在嘈杂的中间规模量子设备上实现数据分类和量子化学任务的优化。
Oct, 2020
该文综述了VQAs领域,讨论了克服困难的策略,并突出了使用VQAs获得量子优势的激动人心前景。
Dec, 2020
提出了 QuantumNAS,这是一个噪声自适应联合搜索变分电路和量子比特映射的全面框架,使用多层预定义参数化门构建SuperCircuit,并通过迭代参数子集的采样和更新进行训练,最终通过演化联合搜索刻画了SubCircuit的性能和其量子比特映射,最后通过迭代门修剪和微调去除冗余门,相较于基线方案,在12个用例上显著提高了性能,并达到了QML的精度水平。
Jul, 2021
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
在量子机器学习中,设计和训练参数化量子电路(PQCs)是一个主要挑战。本论文提出了一种顺序哈密顿组装方法,用于处理全局损失函数的参数训练,并通过实验结果证明了该方法在图着色问题中的有效性,表现优于传统的参数训练和层次学习方法,为解决消失梯度问题提供了一种局部感知的学习技术。
Dec, 2023
在这篇论文中,我们提出了QuantumSEA方法,通过动态探索电路的稀疏连接并在训练过程中保持少量的量子门,以实现训练时的电路容量,并在真实的量子设备上实现可行的执行;同时通过在真实设备噪声模型下联合优化量子电路的拓扑和参数,提高了噪声鲁棒性。在7个量子机器学习和变分量子特征解算器基准测试中进行了广泛实验,QuantumSEA方法始终明显优于噪声感知搜索、人工设计和随机生成的量子电路基线,即使在最具挑战性的芯片训练模式下,我们的方法仅使用一半的量子门,节省了约两倍的电路执行时间。
Jan, 2024
在嘈杂中等规模量子(NISQ)时代,本研究提出一种使用先验知识和高斯噪声扩散来规范化模型参数的策略,以提高量子变分电路的可训练性并解决梯度问题。实验证明这种方法对超越经典模型的四个公共数据集的可训练性具有改进作用。
May, 2024
量子计算通过减少可训练参数来提高机器学习效果,并且通过使用变分量子电路 (VQCs) 融合经典优化技术,研究人员致力于在噪声中等规模量子时代 (NISQ) 中,应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。
本研究解决了量子状态准备(QSP)中的精确准备流程复杂且计算成本高的问题。作者提出利用预训练的神经网络直接生成任意量子态的QSP电路,从而大幅降低了在线迭代所需的时间。此方法为通用神经设计器的开发迈出了坚实的一步,可能在量子计算领域带来显著的影响。
Aug, 2024