XiaoMi-AI文件搜索系统
World File Search SystemQML
量子机学习体系结构通过深度强化学习
摘要 - 量子计算的快速进步（QC）和机器学习（ML）引起了量子机器学习（QML）的新兴领域，旨在利用量子计算的优势来推动ML向前。尽管有希望，但制定有效的QML模型需要深刻的专业知识才能在模型复杂性和嘈杂的中间尺度量子（NISQ）设备之间取得微妙的平衡。尽管复杂模型具有强大的代表能力，但它们的广泛电路深度可能会阻碍现有的嘈杂量子平台上的无缝执行。在本文中，我们通过采用深入的强化学习来探索熟练的QML模型体系结构，以解决QML模型设计的难题。具体来说，我们的方法涉及培训RL代理，以设计促进QML模型而没有预先确定的ANSATZ的政策。此外，我们集成了一种自适应机制，以动态调整学习目标，从而促进代理人学习过程的持续改进。通过大量的数值模拟，我们说明了我们在分类任务领域内的方法的功效。我们提出的方法成功地识别了能够达到高分类精度的同时最小化栅极深度的VQC体系结构。这种开创性的方法不仅在进行了AI驱动的量子电路设计的研究，而且还具有在NISQ时代提高性能的重要希望。索引术语 - Quantum机器学习，量子神经网络，变分量子电路，量子体系结构搜索
MIL-PRF-38535规格DE
根据MIL-PRF-38535制造，组装和测试的微电路应带有“ QML”认证标记或“ Q”缩写。制造，组装和测试的产品应符合MIL-PRF-38535的所有规定；并应在本文所示的DLA土地和海上VQ认证线路上制造。此QML中包含的信息反映了特定测试样本的实际制造线，材料和制造构建技术。任何代表为符合标准的产品均应使用本文列出的材料和制造构造技术在线/流量上制造，以满足用户的要求。用户应负责确定QML清单是否足以证明预期应用程序的能力。
用于学习可转移视觉表征的混合量子-经典神经网络
摘要 由于 QML 算法的学习能力有限、当今嘈杂的中型量子 (NISQ) 设备上可用的计算资源有限以及 QML 模型的经验设计电路假设，最先进的量子机器学习 (QML) 算法未能提供比其众所周知的强大的经典算法更好的实际优势。在这项工作中，我们通过提出一种混合量子-经典神经网络 (CaNN)（我们称之为 QCLIP）来解决这些挑战，用于量子对比语言-图像预训练。QCLIP 不是训练监督式 QML 模型来预测人类注释，而是专注于更实用的可转移视觉表征学习，其中开发的模型可以推广到看不见的下游数据集。QCLIP 是通过使用 CaNN 生成低维数据特征嵌入，然后使用量子神经网络来调整和推广量子希尔伯特空间中学习到的表征来实现的。实验结果表明，混合 QCLIP 模型可以有效地进行表征学习训练。我们在各种数据集上评估了 QCLIP 与经典对比语言图像预训练模型的表征迁移能力。NISQ IBM_Auckland 量子计算机上的模拟结果和真实设备结果均表明，所提出的 QCLIP 模型在所有测试用例中均优于经典 CLIP 模型。随着 NISQ 设备上的 QML 领域不断发展，我们预计这项工作将为这一前景广阔的领域的未来研究和进步奠定宝贵的基础。
气候变化和可持续性中的量子机器学习：简要回顾
气候变化及其对全球可持续性的影响是严峻的挑战，需要结合尖端技术和科学见解的创新解决方案。量子机器学习 (QML) 已成为一种有前途的范例，它利用量子计算的力量来解决包括气候变化和可持续性在内的各个领域的复杂问题。在这项工作中，我们调查了现有的应用量子机器学习解决气候变化和可持续性相关问题的文献。我们回顾了有潜力加速脱碳的有前景的 QML 方法，包括能源系统、气候数据预报、气候监测和危险事件预测。我们讨论了量子机器学习方法的挑战和当前的局限性，并概述了在气候变化研究的重要领域利用基于 QML 的方法的潜在机会和未来工作。
量子强化学习 (QRL) 简介
与传统计算机 [1] 相比，量子计算 (QC) 在特定问题上具有显著的计算优势。尽管目前量子设备存在噪声和缺陷等局限性，但人们仍在做出巨大努力以实现量子优势。其中一个突出的关注领域是量子机器学习 (QML)，它利用量子计算原理来增强机器学习任务。大多数 QML 算法依赖于量子-经典混合范式，该范式将计算任务分为两个部分：量子计算机处理受益于量子计算的部分，而传统计算机处理它们擅长的部分。变分量子算法 (VQA) [2] 构成了当前量子机器学习 (QML) 方法的基础。QML 已在各种机器学习任务中取得成功，包括分类 [3]–[6]、顺序学习 [7]、[8]、自然语言处理 [9]–[12] 和强化学习 [13]–[19]。在这些领域中，量子强化学习 (QRL) 是一个新兴领域，研究人员正在探索应用量子计算原理来提高强化学习代理的性能。本文介绍了 QRL 的概念和最新发展。
量子机器学习的超参数调整
变分量子算法 (VQA) 已被证明是 QML 最有前途的方法，因为它们使用经典计算机来最大限度地减少当今量子计算机的局限性。 VQA 使用经典计算机来优化参数化量子电路 (PQC)，该电路在量子计算机上计算解决方案。然而，这些 VQA 的性能高度依赖于所选的超参数，这些超参数必须在执行之前确定，并且高度依赖于问题。由于已经有大量超参数可供选择，因此手动测试它们非常耗时且耗资源。因此，在经典的 ML 应用中，人们会使用自动化解决方案，但它们对 QML 的适用性几乎尚未得到研究。因此，在本研究中，我们研究了各种自动超参数调整算法对于 QML 分类问题的适用性和性能。
![arxiv：2308.10327v1 [Quant-ph] 2023年8月20日](/simg/g:\will\search\icon\source\2\2c0d436f8e55c6511a148a691de6b1bbc35b500f.webp)
arxiv：2308.10327v1 [Quant-ph] 2023年8月20日
摘要。量子状态断层扫描（QST）是用于重建未知量子状态的量子信息处理（QIP）的基本技术。但是，常规的QST方法受所需的测量数量的限制，这使得它们对于大规模量子系统不切实际。为了克服这一挑战，我们提出了量子机学习（QML）技术的整合，以提高QST的效率。在本文中，我们对QST的各种方法进行了全面研究，包括经典和量子方法。我们还为QST实施了不同的QML方法，并证明了它们在包括多Qubit网络在内的各种模拟和实验量子系统上的有效性。我们的结果表明，我们基于QML的QST方法可以实现高保真度（98％），其测量值明显少于常规方法，这使其成为实用QIP应用的有希望的工具。
气候变化和可持续性中的量子机学习：简短的评论
气候变化及其对全球可持续性的影响是关键挑战，要求具有尖端技术和科学见解的创新解决方案。Quantum机器学习（QML）已成为一种有希望的范式，它利用量子计算的力量解决了包括气候变化和可持续性在内的各个领域中的复杂问题。在这项工作中，我们调查了应用量子机学习以解决气候变化和与可持续性有关的问题的现有文献。我们回顾了有希望的QML方法，这些方法具有加速脱碳，包括能量系统，气候数据预测，气候监测和危险事件预测的能力。我们讨论了量子机学习方法的挑战和当前限制，并概述了潜在的机会和未来工作，以利用基于QML的方法在Climeate变更研究的重要领域中。
量子线性分类器的结构风险最小化
基于参数化量子电路的量子机器学习 (QML) 模型经常被誉为量子计算近期“杀手级应用”的候选模型。然而，对这些模型的经验和泛化性能的理解仍处于起步阶段。在本文中，我们研究了如何平衡由 Havl´ıˇcek 等人 [ 1 ] 以及 Schuld 和 Killoran [ 2 ] 提出的两个著名 QML 模型的训练准确度和泛化性能（也称为结构风险最小化）。首先，利用与易于理解的经典模型的关系，我们证明两个模型参数（即图像和的维数和模型使用的可观测量的 Frobenius 范数）密切控制着模型的复杂性，从而控制着其泛化性能。其次，利用受过程层析成像启发的思想，我们证明这些模型参数也密切控制着模型捕捉训练示例集中相关性的能力。总之，我们的结果为 QML 模型的结构风险最小化提供了新的选择。
自动量子机学习的框架
在这项工作中，我们提出了AutoQML，该框架将量子机学习（QML）算法无缝集成到自动化机器学习（AUTOML）中。利用汽车范式的优势，该框架是有意设计的，以高度的抽象设计，从而消除了用户在机器学习（ML）（ML）和量子计算（QC）方面具有丰富经验的需求。该工具可以自动构建典型的ML管道的整个过程，包括数据清洁和预处理以及模型选择，优化和评估。此外，它自动化了QC特定方面的主张，例如在实际量子硬件上选择量子后端和执行管理。AutoQML利用Ray作为其基础自动化优化框架，并采用内部DESEDERPEREP QML库Squlearn提供QML算法。这两个组合都提供了低级功能，并且可以用作独立解决方案。最后，我们深入研究将框架纳入量子计算平台plankqk所需的集成步骤。