XiaoMi-AI文件搜索系统
World File Search SystemTorchQuantum
TorchQuantum 稳健量子电路案例研究
摘要 量子计算因其在各个领域实现速度和效率根本提升的潜力而吸引了众多研究关注。在不同的量子算法中，用于量子机器学习 (QML) 的参数化量子电路 (PQC) 有望在当前的嘈杂中型量子 (NISQ) 机器上实现量子优势。因此，为了促进 QML 和 PQC 研究，最近发布了一个名为 TorchQuantum 的 Python 库。它可以构建、模拟和训练用于机器学习任务的 PQC，速度快且调试方便。除了用于机器学习的量子，我们还希望引起社区对相反方向的关注：用于量子的机器学习。具体而言，TorchQuantum 库还支持使用数据驱动的机器学习模型来解决量子系统研究中的问题，例如预测量子噪声对电路保真度的影响并提高量子电路编译效率。本文介绍了 TorchQuantum 中用于量子部分的机器学习的案例研究。由于估计噪声对电路可靠性的影响是理解和减轻噪声的重要步骤，我们建议利用经典机器学习来预测噪声对电路保真度的影响。受量子电路自然图形表示的启发，我们建议利用图形变换器模型来预测嘈杂的电路保真度。我们首先收集包含各种量子电路的大型数据集，并在嘈杂的模拟器和真实机器上获得它们的保真度。然后，我们将每个电路嵌入到具有门和噪声属性作为节点特征的图中，并采用图形变换器来预测保真度。我们可以避免指数级的经典模拟成本，并有效地估计具有多项式复杂度的保真度。在 5,000 个随机和算法电路上进行评估，图形变换器预测器可以提供准确的保真度估计，RMSE 误差为 0.04，平均比简单的基于神经网络的模型高出 0.02。它可以分别对随机和算法电路实现 0.99 和 0.95 的 R 2 分数。与电路模拟器相比，该预测器在估计保真度方面具有超过 200 倍的速度提升。数据集和预测器可以在 TorchQuantum 库中访问。1 简介
Caitao ZhanCaitao Zhan
Python和C ++是我最常用的语言。我也有C＃，Java，C和Matlab的经验。机器学习：Pytorch，Scikit-Learn和ML.Net。量子：量子网络模拟器NetSquid，量子开发SDK Qiskit和量子机学习库Torchquantum。GPU编程：CUDA和NUMBA。软件定义的无线电：GNU无线电。数据库：MySQL和SQLite。凸优化：Or-Tools和Cvxpy。
检测量子算法的差分隐私违规行为
近十年来，人们提出了用于解决各种实际问题的量子算法，例如数据搜索和分析、产品推荐和信用评分。人们对量子计算中的隐私和其他伦理问题的关注自然而然地出现了。在本文中，我们定义了一个用于检测量子算法差分隐私违规的正式框架。我们开发了一种检测算法来验证（嘈杂的）量子算法是否具有差分隐私，并在报告差分隐私违规时自动生成窃听信息。该信息由一对违反隐私的量子态组成，以说明违规的原因。我们的算法配备了高效的数据结构 Tensor Networks，并在 TensorFlow Quantum 和 TorchQuantum 上执行，它们分别是著名机器学习平台 TensorFlow 和 PyTorch 的量子扩展。我们算法的有效性和效率得到了已经在现实量子计算机上实现的几乎所有类型量子算法的实验结果的证实，包括量子霸权算法（超出了经典算法的能力）、量子机器学习模型、量子近似优化算法和高达 21 个量子位的变分量子特征求解器。
Quantum On-Chip训练具有参数移位和梯度P
参数化的量子电路（PQC）由于其在近期嘈杂的中间尺度量子（NISQ）硬件上实现量子优势的潜力，使搜索兴趣增加了搜索兴趣。为了实现可扩展的PQC学习，需要将培训过程卸载到真实的量子机上，而不是使用指数性的经典模拟器。获得PQC差异的一种常见方法是参数移位，其成本与量子数的数量线性缩放。我们提出了QoC，这是与参数转移的实用片上PQC训练的第一次实验证明。永无止境，我们发现，由于真实机器上的明显量子误差（噪声），从幼稚的参数转移获得的梯度具有较低的保真度，从而降低了训练精度。为此，我们进一步提出了概率梯度修剪，以首先识别具有潜在误差的梯度，然后将其删除。特定的是，小梯度的相对误差比大梯度更大，因此可以修剪的可能性更高。我们使用5台实际量子机对5个分类任务进行量子神经网络（QNN）基准进行广泛的实验。恢复表明，对于2级和4级图像分类任务，我们的片训练的精度超过90％和60％。概率梯度修剪带来了高达7％的PQC准确性实现，没有任何修剪。总体而言，与无噪声模拟相比，我们成功获得了类似的片上训练精度，但具有更好的训练性可伸缩性。QOC代码可在Torchquantum库中可用。