关键词variational algorithms
搜索结果 - 8
- 只需旋转：基于自旋网络的 SU（2）等变量子变分量子电路
我们提出旋转网络的使用，它是一种在群变换下保持不变的有向张量网络，用于设计具有自旋旋转对称性的参数化等变量量子电路。我们证明了该构建与其他已知构建的数学等价性，并且在量子硬件上更直接实现。我们通过求解一维三角晶格和 Kagome 晶格上具有 - 基于神经薛定谔模型的混合基态量子算法
利用生成神经网络识别最相关的位串，消除了指数求和要求，从而取得了与存在的标准实现的相当或更优性能的开拓性算法。
- 在哈密顿变分假设中探索纠缠和优化
通过对哈密顿变分试探算法的研究，发现它在结构上表现良好，具有较弱或完全不存在的荒漠高原特征和较小的状态空间，因此容易优化。同时也观察到了随着电路层数的增加而出现的从困难局面到优化的转变，以及在 XXZ 模型和横场伊辛模型中实现超参数化的阈值 - 线性代数的变分算法
本文提出一种基于变分算法的线性代数任务解法，适用于嘈杂的中尺度量子设备，并可应用于稀疏矩阵、机器学习和优化问题。通过数值模拟和 IBM 量子云设备验证，算法成功解决了线性方程组问题，解决的精度高达 99.95%。
- 浅层梯度测量可以提高变分混合量子 - 经典算法的收敛性
本文介绍了一种基于低深度梯度测量和随机梯度下降的变分算法，可以在黑盒优化模型中显著更快地收敛于优解，而且在某些情况下，该算法使用梯度测量比基于估计目标函数本身的策略具有更快的收敛速度，这种算法可以在量子计算、优化和测量等领域发挥重要作用。
- 在量子硬件上计算解析梯度
本文介绍了一种利用同一或几乎相同的架构的方法来估计量子测量期望值的梯度，以优化杂化量子 - 经典算法的目标函数，尤其适用于量子化学、药物发现和机器学习等领域。
- 通过低维耦合进行推断
通过探究概率分布之间的确定性变换结构，我们建立了目标分布的马尔可夫特性与较低维耦合间的联系，从而解决高维情形下的非高斯图模型推断问题，并提出了相应的方案。
- NIPS边缘最大后验分解界限
该研究工作将双重分解泛化为通用幂和推理任务，包括边缘 MAP 推理、纯边缘化和 MAP 任务，并基于一个新的凸分解界限上的块坐标下降算法，证明其比之前的方法更快、更可靠。