- IBM 127 量子比特超导量子计算机上三比特 Grover 搜索算法的综合特性研究
使用超导量子架构的先进量子计算技术,对三比特 Grover 搜索算法进行了实现和特性研究,并通过实验评估了算法的可扩展性和性能指标,同时还进行了量子态重构实验,揭示 NISQ 计算机在大规模数据库搜索方面的潜力及 Grover 搜索算法在实 - 量子计算的机器学习应用综述
综述型论文详细探讨了量子计算和机器学习在数据处理和分析方面的转变性影响,超越了传统计算方法的限制,重点研究了量子计算对高级数据处理和应用的意义,尤其强调了提升网络安全的潜力。
- 强化学习解开部分观测的多比特量子状态
利用偏知识控制多量子位纠缠是量子交互动力学领域中的一个未经探索的范式,本论文采用一种深度强化学习方法构建任意 4、5 和 6 量子位状态的简化量子解分路,证明了该方法能够识别和利用多量子位态的纠缠结构,为真实量子计算应用提供了潜力。
- $Classi|Q\rangle$ 桥接经典 - 量子编程差距的翻译框架
引入了 $Classi|Q
angle$ 这个翻译框架的想法,将高级编程语言(如 Python 或 C++)翻译成低级语言(如量子汇编),以实现经典计算和量子计算的连接,为量子软件工程的持续努力提供了蓝图,并讨论了未来对 $Classi|Q - 量子架构搜索:综述
量子计算在近年来取得了显著进展,不仅吸引了研究实验室的极大兴趣,也在各个行业引起了广泛关注。这篇论文提供了量子架构搜索 (QAS) 的概览,通过检验相关的研究成果,讨论在设计和执行自动搜索最佳参数化量子电路时面临的主要挑战,以及解决这些挑战 - ICML有限和优化的量子算法与下界
通过量子计算,我们提出了一个具有改进复杂性的量子算法来解决有限和优化问题,使得我们可以找到一个 ε- 最优解点。
- QClusformer:基于量子变压器的无监督视觉聚类框架
利用量子计算机的先进性能,在非监督视觉聚类任务中设计了一种基于 Transformer 架构的 QClusformer 框架,并通过实证评估证明其在 MS-Celeb-1M 和 DeepFashion 等数据集上相较于其他方法表现更出色。
- Qiskit 代码助手:训练 LMM 生成量子计算代码
本文主要研究了针对量子计算领域的 Code LLMs 的训练,包括讨论量子计算编程的独特需求、使用 Qiskit 库进行高质量量子代码的训练和模型性能的评估,并探讨了 Code LLMs 对量子计算科学家、研究人员和从业人员的潜在益处以及相 - 利用量子混合求解器解决双目的二次分配问题
本研究探讨了在使用混合量子求解器解决双目标二次分配问题的情境下的标量化方法,并展示出与先前研究在不同的 Ising 机器上一致的结果。
- eQMARL: 量子通道上分布式协作的纠缠量子多智能体强化学习
提出了一种名为 eQMARL 的新型框架,通过量子通道促进协作,并通过量子纠缠的分裂评论家消除本地观察共享,实验结果表明,eQMARL 相较于传统的分裂和完全中心化的经典和量子基线,能够在更短的时间内收敛到合作策略,且拥有更高的整体分数,与 - 量子效率高的变分量子算法用于图像分割
量子计算可以应用于图像分割的无监督学习任务,本文提出了两种优化算法(Parametric Gate Encoding 和 Adaptive Cost Encoding)来寻找最佳分割掩膜,并且分析了这些方法与量子近似优化算法的可伸缩性,为量 - 基于增强学习的实用高效量子电路综合与映射
通过使用强化学习方法,将其整合到量子传递工作流中,实现了量子电路的综合和路由优化,且在速度和优化的效果上明显超越其他方法,在实际的量子传递过程中显示出很高的实用性。
- 强化学习中变分量子电路的优化技术研究
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。
- 量子神经网络解决电力系统暂态仿真问题
本研究旨在应用量子计算技术解决电力系统仿真问题,通过引入两种新型量子神经网络(Sinusoidal-Friendly QNN 和 Polynomial-Friendly QNN)来优化解决微分代数方程的传统模拟技术,并成功地在两个小型电力系 - 联邦分层张量网络:面向医疗领域的协作学习量子人工智能框架
提出了基于量子张量网络的联邦学习框架,通过多体量子物理原理充分利用,进行了不平衡数据分布下的差分隐私分析,实验结果显示,联邦量子张量网络模型在医疗图像数据集上达到了 0.91-0.98 的平均接收者操作特征曲线下面积(ROC-AUC),在医 - 基于哈密顿量的量子强化学习用于神经计算组合优化
基于 Hamiltonian 的量子强化学习(QRL)是将量子计算与神经组合优化相结合的一种方法,通过对组合优化问题的 Hamiltonian 公式建模,拥有较好的训练性能,适用于广泛的问题类别,并与 QAOA 进行了比较。
- 混合量子图神经网络用于分子属性预测
利用数据驱动技术的材料设计过程中,我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美,为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新 - 多元迹估计:基于量子态空间线性代数
本文提出了一种适用于近似多元痕迹(即矩阵乘积的痕迹)的量子算法,该算法通过一系列低层电路构造操作将多元痕迹公式直接转化为量子电路,并利用 qMSLA 操作构建状态准备电路,输出两个编码多变痕迹的状态准备电路。此算法仅使用状态准备电路作为输入 - QUACK: 量子对齐质心核
通过引入 QUACK 算法,我们提出了一个时间复杂度线性缩放的量子内核算法,能够在训练过程中表现与经典内核方法相似的性能,并且可以处理高维数据集。
- 量子计算专家的机器学习
量子机器学习是量子计算的一个有潜力的早期使用案例,该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览,其包括从理论研究到数值模拟再到概念验证等多个方面的进展。