关键词noisy intermediate-scale quantum computers
搜索结果 - 8
- 量子学习模型的经典替代
本文研究了在量子机器学习中使用的参数化量子电路和经典替代模型之间的关系，提出了一种用经典模型替代计算的方法，揭示了量子学习模型的归纳偏差问题，并为量子优势提供了一个基准。
- 变分量子算法中的噪声诱导荒原
研究了噪声 Noisy Intermediate-Scale Quantum 计算机上的变分量子算法，证明了存在噪声引起的 “荒漠高原” 现象，表明这些噪声对算法的性能有严重的限制。
- 具噪声鲁棒性的变分混合量子 - 经典优化
采用参数量子电路迭代地获得变分态，考虑噪音和量子测量结果的随机性，使用与变分态相关的量子费舍尔信息界限定结果精度，并通过实验展示该算法在不同噪声强度下的鲁棒性。
- 混合量子 - 经典卷积神经网络
本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。
- 展开量子计算机读出噪声
本文探讨如何纠正嘈杂中间尺度量子计算机的传输误差，并研究了一种名为迭代贝叶斯展开的方法，在量子信息科学和高能物理领域之间建立桥梁，并为未来的研究提供参考。
- 利用门变换和交换优化量子电路映射
本文研究了针对噪声中等规模量子计算机的量子电路映射问题，并提出了一种算法来利用变换和交换规则来改进电路映射。实验结果表明，与先前已知的最佳算法相比，使用更多规则的算法可以找到更好的电路映射。
- 参数化量子电路结构优化
我们提出了一种有效的方法，同时优化量子电路的结构和参数值，具有较小的计算开销，适用于噪声中等规模的量子计算机。我们在模拟中优化了变分量子本征求解器，以找到氢化锂和海森堡模型的基态，并在 IBM Melbourne 量子计算机上找到氢气的基态 - 量子速度提升的最大割问题需要数百个量子比特的量子近似优化算法
通过模拟 Quantum Approximate Optimization Algorithm，我们得出结论，除非可用几百个量子位，否则不可能实现量子加速度。