- 量子去噪扩散模型
本研究探讨了量子机器学习和变分量子电路的整合,以增强扩散式图像生成模型的效力,并通过 MNIST 数字,Fashion MNIST 和 CIFAR-10 对两种量子扩散模型进行了基准测试,结果显示我们的模型在性能指标 FID、SSIM 和 - 量子优势演员 - 评论家强化学习
本研究提出一种新颖的量子强化学习方法,将优势演员 - 评论家算法与变分量子电路结合,通过替代部分经典组件解决了强化学习可扩展性方面的问题,同时保持了较高性能。通过实证测试多种量子优势演员 - 评论家配置与知名的倒立摆环境,我们的结果表明,使 - 定向量子电路综合的强化学习环境
利用强化学习环境,通过量子电路综合的方式可靠设计最小量子电路,针对目标初始化和量子比特数量进行了实验,达到对 2 比特贝尔态的选择性设计。
- 自动驾驶应用中低复杂性目标检测的快速量子卷积神经网络
通过采用快速量子卷积,我们提出了基于量子计算的物体检测方法 (QCOD),可以在自主驾驶中实现高速物体检测,并通过 KITTI 自主驾驶物体检测数据集进行了广泛的实验证实。
- 无监督的随机量子网络用于偏微分方程
在量子计算领域,我们使用参数化的随机量子电路作为试验解,将经典物理信息神经网络(PINN)的思想引入其中,以求解偏微分方程。我们进一步将近期基于 PINN 的技术适应于我们的量子设置,特别是高斯平滑。我们的分析集中在 Poisson 方程、 - 量子计算中强化学习的挑战
该研究论文介绍了量子计算在当前 NISQ 时代的限制,并提出了通过混合量子机器学习来改善量子计算架构的方法,重点是利用强化学习来优化当前的量子计算方法,并介绍了由量子架构搜索和量子电路优化引起的各种挑战,以及提出的用于学习控制一组万能量子门 - 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。
- QDA$^2$: 自动标注电荷稳定图的原则性方法
通过使用几何原理来自动解释和标记实验获取的数据,量子点(QD)自动注释器是构建一个大型公共库的第一步,该库包含了实验双量子点电荷稳定性图的状态标签化的 QD 数据。
- 高效量子异常检测:采用变量子采样和随机测量的单类支持向量机
量子计算在机器学习任务中的潜力使得核计算和模型精度得到显著提高。通过使用一类支持向量机和量子核,相对于经典对照方法,先前研究观察到了显着的平均精度改进。然而,传统计算这些核的方法对于数据大小具有二次时间复杂度,这在实际应用中带来了挑战。为了 - 通过随机电路最大化量子计算表达能力
在嘈杂的中间尺度量子时代,基于变分量子算法(VQA)以提供量子优势而出现为一条有希望的途径。在本研究中,我们提出并数值上证明了一种新颖的 VQA 方法,利用随机量子电路生成变分波函数,并通过人工神经网络对这些随机电路的分布函数进行参数化优化 - 量子自适应分布搜索进行连续优化
该论文介绍了量子自适应分布搜索(QuADS),这是一种整合了格罗弗自适应搜索(GAS)和协方差矩阵适应 - 进化策略(CMA-ES)的量子连续优化算法,用于更高效的优化。通过自适应调整初始状态分布而非持续使用均匀状态,QuADS 取得了比 - Transformer-QEC:具有可转移性的 Transformer 量子纠错码解码
量子错误纠正是量子计算的一个关键挑战,本研究提出了一种基于 Transformer 的 QEC 解码器,它利用自注意力实现了全局感受野,结合了局部物理错误和全局奇偶标签损失的训练方法,以及其对不同码距的有效迁移学习能力,实现了较佳的逻辑错误 - 量子增强支持向量机与 GPU 加速的大规模恒星分类
我们引入了一种革新性的量子增强支持向量机(QSVM)方法,利用量子计算和 GPU 加速来进行恒星分类,QSVM 算法在处理复杂的二元和多类别情况下显著优于传统方法,尤其是在哈佛恒星分类系统中。量子原理的整合显著提高了分类准确性,而使用 cu - 量子辅助模拟:在量子计算领域设计机器学习模型的框架
利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高,本文对量子计算、机器学习和量子机器学习算法进行了探讨,并提供了一个简化的步骤,可以帮助读者建立量子机器学习算法的模拟。此外,通过在数据集上 - sQUlearn - 一个用于量子机器学习的 Python 库
sQUlearn 是一个用户友好的,NISQ-ready 的 Python 库,用于量子机器学习(QML),旨在与 scikit-learn 等经典机器学习工具无缝集成。该库的双层架构可同时为 QML 研究人员和从业者提供服务,实现高效的原 - 量子与经典贡献在混合量子机器学习架构中的分解
通过使用压缩数据和自动编码器结合量子组件,我们的研究表明在混合迁移学习中,经典组件显著影响分类结果,而这一贡献常常被错误地归因于量子元素。我们的模型表现与使用幅度嵌入的变分量子电路相一致,将其定位为一种可行的替代方案。
- 量子跨平台验证的多模态深度表示学习
通过创新的多模态学习方法,本研究采用量子计算中数据形式的两种不同模态:测量结果和编译电路的经典描述,从而建立了一个全面的数据表示。通过对不同噪声模型的平台进行评估,结果显示相比随机测量,我们的方法在预测准确性上有三个数量级的提升,从而为跨平 - 量子电路与扩散模型综合
量子计算中的生成机器学习模型和去噪扩散模型在产生期望的量子操作方面具有优势,并在纠缠生成和酉编译等任务中展示出灵活性和潜力。
- 基于量子退火的非负 / 二元矩阵分解图像分类方法
基于量子退火的矩阵分解方法在图像分类中与传统的机器学习方法进行了性能比较,发现在数据、特征和迭代次数较少的情况下,利用量子退火技术训练模型的准确性优于传统的神经网络,并且该技术还能显著减少计算时间。
- 量子机器学习概述:当前趋势、挑战、机遇和未来方向
该研究论文综述了量子计算在机器学习中的应用,包括量子机器学习算法、量子数据集、硬件技术、软件工具、模拟器和应用程序,为读者提供了跳跃到量子机器学习领域的最新技术的有价值的信息和资源。