- 通过神经网络进行零噪声外推以增强量子变分算法
利用神经网络进行零噪音外推,以改善量子计算中噪音对算法准确性和可靠性的限制,展示了使用这种方法在噪音环境下进行量子计算的效果,为在嘈杂的设备上提高 Variational Quantum Eigensolver 计算的准确性铺平了道路。
- 用于组合优化的变分量子特征值求解器的梯度计算的噪声张量环逼近
这项工作通过提出一种经典梯度计算方法,利用参数偏移规则并使用张量环逼近计算电路的期望值,解决了 VQE 在可扩展性方面的挑战。
- 变分去噪用于变分量子本征求解器
该研究提出了一种基于参数化量子神经网络的无监督学习方法,名为变分降噪,用于改善含有噪声的 Variational Quantum Eigensolver(VQE)模型的输出结果,在 H2 和 LiH 分子哈密顿量的能量估计和保真度方面比噪声 - 量子深度梦境:一种新颖的量子电路设计方法
本文提出了量子深度梦想算法(Quantum Deep Dreaming,QDD),通过在经过训练的神经网络上采用 “深度梦想” 技术,可以为指定目标生成最优的量子电路体系结构,例如准备基态,同时提供有关电路设计过程的见解。
- 简化电路复杂度的变分量子本征求解器
提出了一种名为 ClusterVQE 的新算法,该算法利用量子互信息来将初始量子位空间分割为子空间(量子集群),这些集群进一步分布在单独的(更浅的)量子电路中,并且通过新的 “dressed” 哈密顿量考虑了不同集群之间的纠缠,从而实现了电 - VQE 方法:简要调查与最近进展
本文回顾了构造有效星座的最新进展,分为两个类别 -- 化学启示和硬件效率 -- 这些方法产生的量子电路更容易在现代硬件上运行,并讨论了最初为 VQE 模拟制定的术语的不足以及在更复杂方法中如何解决它们和进一步改进的潜在方式。
- 变分量子计算的自然进化策略
本论文探讨了使用 Natural evolutionary strategies 方法优化处理处于梯度消失区域的随机初始化的带参数的量子电路。研究者们使用了 NES 梯度估算器来缓解方差的指数下降。他们在两种不同的问题中使用了两种特定的优化 - 自适应变分量子本征求解器基准测试
本文研究了采用变分量子本征求解器(VQE)和自适应导数拼装伪 Trotter(ADAPT)方法来计算 H2,NaH 和 KH 等几种双原子分子的电子基态和势能曲线,发现优化方法对计算的影响,而 ADAPT-VQE 方法对优化方法的特殊性更具 - MoG-VQE: 多目标遗传变分量子本征求解器
本文介绍了一种名为 MoG-VQE 的算法,该算法利用多目标帕累托优化,采用基因改进的策略,对电路拓扑进行优化,并采用协方差矩阵适应进化策略优化单量子比特旋转角度,目的是在低深度和高精度之间找到最优解。在多种分子的测试中,可以观察到与标准算 - qubit-ADAPT-VQE:一种构建硬件高效的量子处理器上用的 ansatze 的自适应算法
使用 qubit-ADAPT 算法,在量子仿真中使用变分量子本征求解器,通过确保包含构建完整量子态所需的算子的算子池,大大减少电路深度,进而实现在远期设备上实用的实验结果。
- 参数化量子电路结构优化
我们提出了一种有效的方法,同时优化量子电路的结构和参数值,具有较小的计算开销,适用于噪声中等规模的量子计算机。我们在模拟中优化了变分量子本征求解器,以找到氢化锂和海森堡模型的基态,并在 IBM Melbourne 量子计算机上找到氢气的基态 - 用于变分量子本征求解器算法的高效对称性保持状态准备电路
本研究介绍了一种基于对称性的有效量子态制备电路方案,可以在量子计算中高效地实现化学模拟,并在 $H_2$ 和 $LiH$ 的量子模拟中表现出更高的准确性和电路深度。
- 用于小分子和量子磁体的硬件高效的变分量子本征求解器
本文介绍了一种硬件高效的可变量量子本征求解器,结合铁磁哈密顿量的紧凑编码和稳健的随机优化算法,在量子处理器上实现了六量子位哈密顿问题的实验优化,并将技术应用于一个量子磁学问题,其结果有助于阐明将该方法扩展到更大系统的要求,并致力于填补高性能 - 使用幺正耦合簇 ansatz 的量子计算分子能量的策略
本研究研究了 VQE 算法在使用 UCCansatz 模拟分子能量上的应用,引入了新策略来减少 UCC 的电路深度和改善波函数的优化,同时还提出了一种分析方法来计算能量梯度,从而减少了梯度估计的采样成本,并在数字模拟中展示了我们的方法。