XiaoMi-AI文件搜索系统
World File Search SystemVQC
量子机器学习分类器的性能分析
近年来，研究人员开始研究量子计算中的数据转换。他们想看看量子计算如何影响机器学习方法的稳健性和性能。量子力学成功地解释了一些过去经典公式无法解释的现象。因此，多年来，它在量子机器学习 (QML) 等分析研究领域得到了扩展。不断发展的 QML 学科已经证明了与传统机器学习解决的问题相同（或相当）的解决方案，包括使用量子分类器的分类和预测问题。由于这些因素，量子分类器分析已成为 QML 中最重要的主题之一。本文研究了四种量子分类器：带量子核的支持向量分类 (SVCQK)、量子支持向量分类器 (QSVC)、变分量子分类器 (VQC) 和电路量子神经网络分类器 (CQNNC)。我们还报告了案例研究成果和利用生成的线性和非线性可分离数据集的结果分析。我们的研究旨在探索量子信息是否有助于学习或融合。
在核心分辨率方面达到透明度
在语法结构的指导下，单词可以形成句子，并在段落结构的指导下，句子构成形成对话和文档。句子和话语单位的组成方面通常被机器学习算法忽略了。最近的一项名为“量子自然语言加工”（QNLP）的计划将单词均值作为希尔伯特空间中的点学习，并通过将语法结构翻译成参数化的量子回路（PQC）来对其进行作用。先前的工作将QNLP翻译扩展到了闭合希尔伯特空间中的点。在本文中，我们对Winograd风格的代词分辨率任务进行了评估。我们训练二进制分类的变分量子分类器（VQC），并实现端到端代词分辨率系统。在IBMQ软件上执行的仿真，F1分数为87.20％。该模型的表现优于三分之三的核心分辨率系统和接近最新的Spanbert。混合量子古典模型，但F1得分增加约为6％，但改进了这些结果。
使用变分量子电路估计非马尔可夫性程度
近几年，用于分析各种领域数据的机器学习 (ML) 技术取得了巨大进步。量子物理学也在各个方面受益于机器学习，例如量子系统的控制、分类和估计任务 [1-6]。在这种情况下，机器学习技术已被用来分析从测量量子系统中获得的经典数据。另一方面，人们进行了大量研究，利用量子特性来改进机器学习技术 [7,8]。量子人工神经网络 [9] 和量子核方法 [10] 的开发就是很好的例子。对于量子机器学习算法，学习电路已被证明是一种实用的方法 [11]。考虑到目前可用的噪声中型量子计算机 [12] 只有很少的量子比特（50-100 个量子比特），人们设计了混合量子-经典算法来开发具有自由控制参数的短深度量子电路。这些电路被称为变分量子电路 (VQC) [13-16]。在 VQC 中，优化任务是使用经典优化技术对量子 (量子电路中的自由参数) 和经典参数 (用于后处理) 进行的 [13]。量子技术的主要障碍之一是量子系统与周围环境的相互作用，这会导致量子系统失去相干性 [17]。通常对物理过程进行简化。例如，所谓的马尔可夫近似，其中假设系统的演化不取决于其动态历史，而只取决于其当前状态。因此，忽略记忆方面，这通常可以作为一个很好的近似值。然而，必须强调的是，非马尔可夫特征经常出现在量子系统的动力学中 [18, 19]。此外，一些物理过程强烈地受到非马尔可夫性的影响，例如油藏工程 [ 20 ， 21 ]、状态隐形传态 [ 22 ]、量子计量 [ 23 ]，甚至当前的量子计算机 [ 24 ， 25 ]。此外，非马尔可夫性可以作为一种资源来利用 [ 26 ]。准确确定非马尔可夫性的程度需要大量的测量。此外，对于基于纠缠动力学的非马尔可夫性测量，需要考虑一个辅助量子比特，该量子比特应受到保护以避免与环境相互作用。为了克服这些挑战，机器学习技术（如神经网络 [ 27 ]、支持向量机 [ 28 ]、随机森林回归器 [ 29 ]、基于张量网络的机器学习 [ 30 ] 和多项式回归 [ 31 ]）已用于确定量子过程的非马尔可夫性程度。此外，
批量量子加固学习
摘要 - 深度强化学习（DRL）通常需要大量的数据和环境相互作用，从而使培训过程耗时。在批处理RL的情况下，这一挑战进一步加剧了，在批处理RL的情况下，该代理仅在没有环境相互作用的预收集数据集上训练。量子计算的最新进展表明，与经典方法相比，量子模型可能需要更少的培训数据数据。在本文中，我们通过提出一种利用变量量子电路（VQC）作为离散批处理量Q-LEATER（BCQ）算法中的函数近似器来研究这种潜在优势。此外，我们通过周期性移动数据编码层中的输入变量顺序引入了新的数据重新上传方案。我们评估了算法在Openai Cartpole环境中的效率，并将其性能与基于经典的神经网络的离散BCQ进行比较。索引术语 - Quantum增强学习，批处理封装学习，变分量子计算，数据上传，数据重新上传，批量量子加固学习，离线量子加固学习。
量子机器学习：回顾与案例研究
摘要：尽管经典机器学习取得了不可否认的成功，但它仍然是一个资源密集型的过程。现在，训练最先进模型的实际计算工作只能由高速计算机硬件来处理。由于这种趋势预计将持续下去，越来越多的机器学习研究人员正在研究量子计算的潜在优势也就不足为奇了。现在关于量子机器学习的科学文献非常多，有必要对其现状进行回顾，使其无需物理学背景即可理解。本研究的目的是从传统技术的角度对量子机器学习进行回顾。从计算机科学家的角度出发，我们通过量子机器学习算法给出从基础量子理论到量子机器学习算法的研究路径，讨论了一组量子机器学习的基本算法，这些算法是量子机器学习算法的基本组成部分。我们在量子计算机上实现了量子卷积神经网络 (QNN) 来识别手写数字，并将其性能与经典的卷积神经网络 (CNN) 进行比较。此外，我们在乳腺癌数据集上实现了 QSVM，并将其与经典 SVM 进行了比较。最后，我们在 Iris 数据集上实现了变分量子分类器 (VQC) 和许多经典分类器，以比较它们的准确性。
量子机器学习：回顾与案例研究
摘要：尽管经典机器学习取得了不可否认的成功，但它仍然是一个资源密集型的过程。现在，训练最先进模型的实际计算工作只能由高速计算机硬件来处理。由于这种趋势预计将持续下去，越来越多的机器学习研究人员正在研究量子计算的潜在优势也就不足为奇了。现在关于量子机器学习的科学文献非常多，有必要对其现状进行回顾，使其无需物理学背景即可理解。本研究的目的是从传统技术的角度对量子机器学习进行回顾。从计算机科学家的角度出发，我们通过量子机器学习算法给出从基础量子理论到量子机器学习算法的研究路径，讨论了一组量子机器学习的基本算法，这些算法是量子机器学习算法的基本组成部分。我们在量子计算机上实现了量子卷积神经网络 (QNN) 来识别手写数字，并将其性能与经典的卷积神经网络 (CNN) 进行比较。此外，我们在乳腺癌数据集上实现了 QSVM，并将其与经典 SVM 进行了比较。最后，我们在 Iris 数据集上实现了变分量子分类器 (VQC) 和许多经典分类器，以比较它们的准确性。
![arXiv:2105.10162v3 [quant-ph] 2021 年 12 月 25 日](/simg/5\5856edd5a261babab8a2d40487896d68bbcc74bb.webp)
arXiv:2105.10162v3 [quant-ph] 2021 年 12 月 25 日
在量子计算中，变分量子算法 (VQA) 非常适合在从化学到金融的特定应用中寻找事物的最佳组合。使用梯度下降优化算法训练 VQA 已表现出良好的收敛性。在早期阶段，在嘈杂的中型量子 (NISQ) 设备上模拟变分量子电路会受到噪声输出的影响。就像经典的深度学习一样，它也受到消失梯度问题的影响。研究损失景观的拓扑结构，在消失梯度存在的情况下可视化这些电路的曲率信息和可训练性是一个现实的目标。在本文中，我们计算 Hessian 并可视化变分量子分类器在参数空间中不同点的损失景观。解释了变分量子分类器 (VQC) 的曲率信息并展示了损失函数的收敛性。它有助于我们更好地理解变分量子电路的行为，从而有效地解决优化问题。我们在量子计算机上通过 Hessian 研究了变分量子分类器，从一个简单的 4 位奇偶校验问题开始，深入了解 Hessian 的实际行为，然后彻底分析了 Hessian 的特征值在训练糖尿病数据集的变分量子分类器时的行为。最后，我们展示了自适应 Hessian 学习率如何影响训练变分电路时的收敛。
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
量子神经网络：概念，应用和挑战
随着量子计算和深度学习最近开始引起注意，过去几十年来，显着的研究成就一直在涌现。在深度学习的领域中，这些问题被认为是它们固有的局限性，例如梯度消失，局部最低限度，在大规模参数培训中学习不确定的问题[1]。一方面，创新的新深度学习算法，例如量子神经网络（QNN），卷积神经网络（CNN）和经常性神经网络（RNN）正在完全改变了处理各种数据的方式。同时，近年来量子计算领域也经历了快速发展。量子计算仅因其长期的潜力而被认可，它在最近的变化量子电路（VQC）的最新进展中打开了巨大潜力的新时代。通过求解各种组合优化问题和分子的内在能量问题，可以清除变量量子算法的惊人电位，分子的内在能量问题很难使用常规方法求解，并考虑了进一步的扩展来使用量子计算来设计机器学习算法。其中，量子深度学习领域正在迅速发展，从而继承了现有深度学习研究的成就。因此，已经发布了与量子深度学习有关的许多显着成就，目前正在进行积极的后续研究。在此过程中，我们首先介绍了背景知识，量子深度学习的基本原理，并查看当前的研究方向。然后，我们讨论量子深度学习中未来研究的各种方向和挑战。
参数化量子电路的输入冗余
量子信息处理旨在利用量子物理现象进行数据处理。该领域始于 20 世纪 80 年代初 [ 1 , 2 ]，最近在构建可控量子力学系统方面取得的突破引发了该领域的爆炸式增长。构建量子计算机是一项艰巨的挑战，但设计算法同样艰巨，这些算法在量子计算机上运行后，能够利用专家们普遍认为量子计算在某些计算任务上优于传统计算的优势。一项特别引人注目的努力是利用近期的量子计算机，但它的缺点是尺寸有限，并且存在令人衰弱的量子噪声。过去几年，噪声中型量子 (NISQ) 计算机的算法设计领域一直在努力确定计算领域、采用量子信息处理的范例和商业用例，以便从构建可编程量子力学设备的最新进展中获益——尽管目前这些进展可能还很有限 [ 3 ]。人工智能 [ 3 , 4 ] 是近期可能实现量子优势的用例领域。这种希望最有可能出现在生成任务中：理论上已经证明，几种概率分布族允许量子算法从中有效地采样，而没有经典算法能够或已知能够执行该采样任务。玻色子采样可能是这些采样任务中最广为人知的，即使在有噪声的情况下这种优势似乎不会持续（参见 [ 5 ]）；在参考文献 [ 6 , 7 ] 中可以找到一些其他采样程序的示例。在可以通过操纵一个或多个参数来迭代改变的量子电路方面也取得了有希望的进展：Du 等人 [ 8 ] 考虑了所谓的参数化量子电路 (PQC)，发现它们也在生成任务中产生了理论优势。当强调非线性方面时，PQC 偶尔被称为量子神经网络 (QNN)（例如在 [ 9 ] 中），或称为变分量子电路 [ 10 ]。在本文中，我们坚持使用术语 PQC，但不考虑排除 QNN 或 VQC。