- 量子支持向量机在量子态跨领域分类中的优势
利用量子机器学习进行跨领域分类研究,以解决纠缠与可分离性范式;进一步证明了贝尔对角态的高效分类,扩展分析了使用随机酉转换评估模型在分析问题上的鲁棒性,通过数值分析明确展示了 QSVM 在多维希尔伯特空间中对量子态进行分类的潜力。
- 参数化量子比特态的量子纠缠检测的经典贪婪算法
量子纠缠检测中的多臂赌博机问题探索与机器学习方法应用潜力的研究。
- 用超导量子比特探索多体贝尔相关深度
量子非本地性在量子力学中是一种强于纠缠的量子相关性形式,本文通过实验认证了具有多粒子 Bell 相关性的量子多体系统,使用超导量子处理器实现了高达 24 个量子比特的 Bell 相关性探测,为实现量子优势提供了可行的方法。
- 量子一致神经 / 张量网络在强 / 弱纠缠态光子电路中的应用
利用神经和张量网络近似精确、高效和量子一致地演化封闭纠缠系统的方法,可以解决传统计算方法在哈密顿空间增加时遇到的硬性限制,为众多量子计量问题提供了有趣的解决方案。
- ICCVSC2GAN: 自校正相关 GAN 空间重新思考纠缠
本研究探讨了生成对抗网络(GANs)中潜在空间的交错问题,并提出了一种新的框架 SC$^2$GAN 以实现解交错。通过重新投影原始潜在编码样本并根据高密度和低密度区域进行编辑方向的修正,利用原始的有意义方向和语义区域特定层插值原始潜在编码, - 去噪扩散概率模型的生成型量子机器学习
基于经典对应物,我们提出了量子去噪扩散概率模型(QuDDPM),以实现对量子数据的高效可训练生成学习。
- 关于对抗机器学习中计算纠缠及其解释
通过对对抗性机器学习模型的综合探索,我们发现了它们内在的复杂性和可解释性,并揭示了它们与爱因斯坦的特殊相对论之间的有趣联系,涉及到纠缠的概念。这一发现对描述当代机器学习模型中观察到的对抗可迁移性现象的传统观点提出了挑战。通过将计算过程中的时 - MM无纠缠下的 Pauli 通道学习的严格界限
展示了不利用纠缠态的学习算法需要 Theta (2^nε^-2) 轮测量来估计 n-qubit 保利(Pauli)通道的每个特征值到 ε 误差,并对不使用纠缠态的学习算法的紧密下界进行了证明。
- 用于最大化单个和耦合量子忆阻器的机器学习
我们提出了机器学习方法来表征单个和耦合量子记忆电阻的记忆特性。我们展示了最大化记忆电阻性导致了两个量子记忆电阻纠缠度的大值,揭示了量子相互关系与记忆之间的密切关系。我们的结果加强了使用量子记忆电阻作为神经形态量子计算关键组件的可能性。
- 软装 dropout:量子卷积神经网络中减少过拟合的实用方法
量子卷积神经网络 (QCNN) 是在 NISQ 时代中早期应用的量子计算机,已被证明在多个任务中具有显著准确性的机器学习 (ML) 算法。我们研究了将一种成功的过拟合缓解方法(称为(训练后)dropout 方法)转化为量子设置,并发现基于此 - 基于数据的量子纠缠度标准
我们建立了一个利用随机生成的状态以无监督方式训练的神经网络来检测三比特系统中的相关性的机器学习模型。我们发现该检测器在区分弱量子相关性(量子异质性)方面比 in fact 原先预期的更好,并且它对于测量量子纠缠的状态的集合往往高估,对于测量 - 基于神经薛定谔模型的混合基态量子算法
利用生成神经网络识别最相关的位串,消除了指数求和要求,从而取得了与存在的标准实现的相当或更优性能的开拓性算法。
- 量子机器学习中纠缠数据的转换作用
本研究证明了量子机器学习模型的预测错误率依赖于允许的测量数量,当允许充足的测量时,提高训练数据的纠缠度可以减少预测误差或减小达到相同预测误差所需的训练数据大小,反之,当允许的测量次数较少时,使用高度纠缠的数据可能会导致预测误差增加。
- ICLR通过矩阵分解探索 GAN 潜在空间中的语义变化
使用 PCA 的 GANSpace 方法学习的图片操作存在高度联系限制,因此,使用 ICA 替代 PCA 可以提高操作的质量和解缠效果。无论 GANs 的复杂性如何,他们的潜空间中都存在基本的控制方向。
- 非对称量子决策
本研究理论和数值上研究了使用带有 OAM 的光子或缠绕光子的量子干涉实现不对称集体决策的方法,尽管成功实现了不对称性,但在所提出的模型中不可避免地存在光子损失,并且分析了不对称幅度的可用范围和获得所需不对称幅度的方法。
- DRPT:用于组合式零样本学习的解缨和循环提示调节
本文介绍了一种名为 DRPT 的新型分离和循环提示调整框架,通过将状态和对象原语视为嵌入提示中的可学习词汇标记,并在已知组成物上进行调整,精细地调整提示参数并优化引导空间,从而更好地发挥视觉语言模型在组成零样本学习中的潜力。
- 用纠缠作为减少不确定性的方法
通过针对纯态纠缠状体的研究,我们证明了人类认知中的概念结合也存在 “非经典性的熵减” 现象,并提出了一种新的关于纠缠本质的假设,即通过纠缠实现的复合体制备其过程可以解释为 “减少不确定性的协作过程”,这可以自然地解释为什么某些量子逻辑连接是 - 人类认知与语言的普朗克辐射和量子化方案
本文探究了量子认知中的玻色 - 爱因斯坦统计,提出了人类认知领域的量子化方法。作者使用辐射量化方案和毛毛熊故事来说明 “意义动力学”,并表明纠缠是维护所提出的 “意义动力学” 的必要条件。该方法可以在保持必要的各异性的同时,使内部参数相同的 - MM利用神经网络构建量子态的可分离逼近
使用神经网络参数化可分离态,以不同可微分距离度量方式最小化到给定目标态的距离,从而找到目标态的上限纠缠值和最接近可分离态的近似值,同时在多方案例中展示了其效率和应用。
- 基于量子启发式的多模态融合视频情感分析
本文提出了一种基于量子理论的多模态情感分析框架,通过超定态和纠缠的方式对单模态内部交互和跨模态交互进行建模,并成功应用到了两个基准影片情感分析数据集上,普适性优于现有技术水平。