关键词variational quantum circuit
搜索结果 - 12
- MM基于变分量子电路的强化学习的车载网络优化
本研究使用变分量子电路(VQC)多目标强化学习(MORL)框架来开发一个用于选择网络和自主驾驶政策的韧性和高效的决策策略,数字结果证明了 VQC-MORL 解决方案在收敛速度和奖励方面相对于传统的深度 Q 网络有显著的改进。
- 经典和量子机器学习对混沌特性的通用复现
利用机器学习模型,通过训练预测离散动力系统多个历史状态后一步的状态,可以准确地复制分叉图和 Lyapunov 指数;我们的结果表明,量子电路模型在减少过拟合、提高准确性和稳定性方面具有潜在优势。
- SASQuaTCh:一种带有基于核的自注意力的新型变分量子变换器架构的学习
利用基于核操作学习的自我注意力机制的量子电路,我们提出了 Self-Attention Sequential Quantum Transformer Channel (SASQuaTCh) 模型,该模型能够有效地表示视觉变换网络的深层特征, - 用量子完全图神经网络进行喷注判别
这篇论文介绍了一种新的变分量子电路模型 —— 量子完全图神经网络(QCGNN),用于学习完全图,并通过与经典图神经网络的比较分析建立了一个基准。
- 量子比特逐比特的可变量量子电路架构搜索方法
在本文中,我们提出了一种新颖的量子位架构搜索(QWAS)方法,通过将搜索空间划分为好的和坏的子区域,逐步搜索每个阶段的单量子位配置,并结合蒙特卡洛树搜索算法,在某些真实任务(如 MNIST,Fashion 和 MOSI)中平衡电路性能和大小 - 通过预训练张量列车网络,促进带变分量子电路的机器学习
本文提出了一种名为 Pre+TTN-VQC 的学习方法,将一个预训练的张量列网络(TTN)集成到 TTN-VQC 架构中,以缓解 Barren Plateau 问题并提高量子神经网络的表示和概括能力,实验验证了该方法在手写数字分类中的有效性 - QTrojan:一种针对量子神经网络的电路后门
提出了一种适用于量子神经网络(QNNs)的电路级后门攻击 - QTrojan,这种攻击通过将少量量子门插入受害 QNN 的变分量子电路来实现,并且比之前的数据污染型后门攻击(DPBA)更加隐蔽。与 DPBA 相比,QTrojan 提高了清洁 - 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。
- 量子奇异值分解器
提供了一种基于量子变分电路构建奇异值分解的算法,可以在计算基的情况下仅通过一次测量获得两个子系统的精确输出一致性,并保持系统的纠缠状态。
- 基于量子生成对抗网络的学习与加载随机分布
本文介绍了一种利用量子生成对抗网络(qGANs)和概率分布学习来实现快速、近似的量子态加载的混合量子 - 经典算法,并通过量子模拟和 IBM Q Experience 上的实际量子处理器测试实现。最后,在量子金融应用中展示了所训练的量子通道 - 量子增强特征空间的监督学习
本研究中,我们提出了两种量子算法用于机器学习问题的处理,即量子变分分类器和量子核估计器,并在超导处理器上实现了这两种算法,为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。
- 特征希尔伯特空间中的量子机器学习
本文旨在探讨量子计算与机器学习中内核方法之间的相关性,并阐述如何利用通过编码输入数据来创建非线性特征空间的理论基础,进而使用量子计算机进行分析。作者进一步提出使用量子内核估计,并将其输入到经典的内核方法,以及使用变分量子电路作为线性模型来分