关键词variational quantum circuits
搜索结果 - 30
- 量子模仿学习
本文提出了量子模仿学习（QIL）概念及其实现方法，采用 Variational Quantum Circuits（VQCs）替代 Deep Neural Networks（DNNs）以提高表达能力，并利用 Quantum Advantage - 量子强化学习的异步训练
本文提出了一种采用异步训练 QRL 代理的方法，具体选择了优势演员评论家变分量子策略的异步训练，并通过数值模拟证明，相对于采用相似模型大小和架构的经典代理，采用异步训练 QRL 代理在考虑的任务中可以达到相似或更高的性能
- 利用置换对称性评估变分量子电路
提出了 SnCQA 硬件高效的等变量子卷积电路，适用于存在置换对称性的机器学习问题和量子计算化学中，具有可扩展性和噪声鲁棒性，比传统量子变分电路拥有更高的性能表现。
- 机器学习中的懒惰性、平台性和噪音
通过对神经网络中变分参数的大量抑制来定义惰性，其中量子情况下的抑制对于随机化变分量子电路的量子比特数量呈指数衰减。我们讨论了惰性与由量子物理学家在文献中创建的量子机器学习中的荒漠高原的差异，对梯度下降期间损失函数的平坦情况进行了讨论。同时， - 当 BERT 遇见量子时间卷积学习：异构计算中的文本分类
本文提出了基于变分量子电路的纵向联邦学习架构，应用该结构建立量子增强的预训练 BERT 模型，并在文本分类任务上通过引入新型的随机量子时态卷积学习框架，实现了和现有量子语言模型相比 1.57% 和 1.52% 的提升，同时也可以在商业可获得 - 基于量子神经切向核的表示学习
本研究通过分析神经切向核理论，定义了量子神经切向核，推导出其与损失函数之间的动力学方程，探讨了基于变分量子电路的量子机器学习和优化问题的培训动态的分析结果和数值模拟实验的支持结果。
- QuantumNAS: 能适应噪声的鲁棒量子电路搜索
提出了 QuantumNAS，这是一个噪声自适应联合搜索变分电路和量子比特映射的全面框架，使用多层预定义参数化门构建 SuperCircuit，并通过迭代参数子集的采样和更新进行训练，最终通过演化联合搜索刻画了 SubCircuit 的性能 - 量子自然梯度
本研究提出了量子自然梯度下降的量子概率论泛化作为用于变分量子电路的通用优化框架的一部分。优化动力学被解释为相对于量子信息几何学的最陡下降方向移动，相应于量子几何张量 (即 Fubini-Study 度量张量的实部)。该研究还提供了一种有效的 - 用于深度强化学习的变分量子电路
本文研究了变分量子电路在深度强化学习中的应用，利用量子信息编码方案减少模型参数，用经验回放和目标网络重塑经典深度强化学习算法，成功证明了变分量子电路可以用于决策制定和政策选择强化学习，适用于许多即将到来的近期量子计算机。
- PennyLane: 混合量子 - 经典计算的自动微分
PennyLane 是一个用于对可微分编程的、支持量子计算机的 Python 3 软件框架，最重要的功能是能够计算出与后向传播兼容的变分量子电路的梯度，从而将计算机学习和优化扩展到量子和混合计算中。