关键词noisy intermediate-scale quantum
搜索结果 - 11
- 通过正则化策略提高变分量子电路的可训练性
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。
- 一种改进的去极化方法用于高效的量子机器学习
在噪声中间量子（NISQ）时代的量子计算在机器学习、优化和密码学等领域展示出了有前景的应用。然而，由于系统噪声、错误和退相干，这些挑战使得量子系统的模拟变得复杂。本文提出了一种改进的单比特去极化通道表示法，使用了仅基于 X 和 Z Paul - 通过神经网络进行零噪声外推以增强量子变分算法
利用神经网络进行零噪音外推，以改善量子计算中噪音对算法准确性和可靠性的限制，展示了使用这种方法在噪音环境下进行量子计算的效果，为在嘈杂的设备上提高 Variational Quantum Eigensolver 计算的准确性铺平了道路。
- 基于强化学习的变分量子算法的量子架构搜索
使用强化学习自动化搜索最佳结构以提高变分量子算法在噪声干扰下的性能。
- ICLR硬件错误下的量子架构搜索的课程增强学习
该研究以引入一种基于课程的强化学习量子架构搜索算法（CRLQAS）为主要方法，旨在解决在真实的 VQA 部署中所面临的挑战。该算法通过使用三维架构编码和环境动力学的限制来高效地探索可能电路的搜索空间，引入一种剧集终止方案以寻找更短的电路，并 - 释放基于脉冲的量子神经网络的表达能力
量子机器学习基于噪声中尺度量子设备需要对有限的量子资源进行最优利用，而基于脉冲的模型在相同相干时间内能够构建 ' 无限 ' 深的量子神经网络，从而释放出更大的表达能力。本研究从量子控制理论的角度探讨了基于脉冲的模型的潜力，证明了基于脉冲的模 - 量子海洋：适应性噪声稀疏探索的时变量子电路
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 - 利用内在噪声进行量子机器学习隐私保护
利用量子计算中的自然噪声保护量子机器学习模型的数据隐私，在不同次数运行量子电路可以实现目标隐私保护水平。
- 基于灰度形态学的量子图像分割
本文中提出了一种基于量子机制的量子图像分割算法，可解决传统基于灰度形态学的算法在处理大规模数据时的实时性问题，并通过在灰度图像的所有像素上同时执行形态学操作，快速将图像分割为二值图像。通过设计并结合多个量子电路单元，包括膨胀、腐蚀、底帽变换 - 基于变分量子电路的函数回归理论误差性能分析
本文提出了一种端到端的量子神经网络 TTN-VQC，结合了张量列车网络和变分量子电路，进行降维和多功能回归，对其表示和概括能力进行了误差性能分析，证实了在手写数字分类数据集上进行功能回归的实验结果。
- QuantumNAS: 能适应噪声的鲁棒量子电路搜索
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