关键词multi-scale entanglement renormalization ansatz
搜索结果 - 4
- 量子卷积神经网络（QCNN）教程
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法，并通过与 TensorFlow Quantum 平台中使用的 MNIS - 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 - 通过分层树结构的酉张量网络进行机器学习
本文探讨张量网络与深度学习之间的数学联系，使用通过多尺度纠缠重整方法派生的训练算法训练二维分层张量网络完成图像识别问题，并研究了张量网络的量子特性，包括量子纠缠和保真度，并发现这些量子特性可以作为图像类别以及机器学习任务的表征。
- 二维多尺度纠缠重整化泛函：量子伊辛模型
我们提出了一个对称的多尺度纠缠重整化 MERA 版本，应用这个版本在 2D 量子系统上找到了一个未知的基态。结果显示在 $8 imes8$ 正方形点阵中，即使是最小的非平凡截断参数，也非常精确。