XiaoMi-AI文件搜索系统
World File Search System变分
具有变分信息瓶颈的图结构学习
图神经网络（GNN）在广泛的应用领域中已显示出良好的效果。大多数 GNN 实证研究直接将观察到的图作为输入，假设观察到的结构完美地描述了节点之间准确和完整的关系。然而，现实世界中的图不可避免地是有噪声的或不完整的，这甚至会降低图表示的质量。在本文中，我们从信息论的角度提出了一种新的变分信息瓶颈引导的图结构学习框架，即 VIB-GSL。VIB-GSL 是首次尝试推进图结构学习的信息瓶颈 (IB) 原理，为挖掘底层任务相关关系提供了更优雅、更通用的框架。VIB-GSL 学习一种信息丰富且压缩的图结构，以提炼出特定下游任务的可操作信息。 VIB-GSL 对不规则图数据推导变分近似，形成易处理的 IB 目标函数，有利于提高训练稳定性。大量实验结果表明 VIB-GSL 具有良好的有效性和鲁棒性。
非正交变分量子特征求解器
摘要 强关联化学和材料系统的变分算法是近期量子计算机最有前途的应用之一。我们提出了变分量子特征值求解器的扩展，它通过求解由一组参数化量子态组成的子空间中的广义特征值问题来近似系统的基态。这允许在不显著增加电路复杂性的情况下系统地改进逻辑波函数假设。为了最大限度地降低这种方法的电路复杂性，我们提出了一种有效测量哈密顿量的策略，并在由与总粒子数算子交换的电路参数化的状态之间重叠矩阵元素。该策略使状态准备电路的大小加倍，但没有使其深度加倍，同时相对于标准变分量子特征值求解器增加了少量额外的两量子比特门。我们还提出了一种经典的蒙特卡罗方案来估计由有限数量的矩阵元素测量引起的基态能量的不确定性。我们解释了如何扩展此蒙特卡罗程序以自适应地安排所需的测量，从而减少给定精度所需的电路执行次数。我们将这些想法应用于两个模型强关联系统，即 H 4 的方形配置和己三烯 (C 6 H 8 ) 的 π 系统。
凝聚态系统变分量子电路深度的缩放
我们对基于有限深度量子电路编码局部哈密顿量的基态的变分量子特征值求解器的精度进行了基准测试。我们表明，在有间隙相中，精度随着电路深度的增加而呈指数提高。当尝试编码共形不变哈密顿量的基态时，我们观察到两种状态。有限深度状态，其中精度随着层数的增加而缓慢提高；有限尺寸状态，其中精度再次呈指数提高。两种状态之间的交叉发生在临界层数处，其值随着系统尺寸线性增加。我们在比较不同的变分假设及其描述临界基态的有效性的背景下讨论了这些观察结果的含义。
基于流的变分量子蒙特卡罗的数值和几何方面
近年来，机器学习、量子多体物理学和量子信息科学等领域的交流卓有成效。这种多学科的互动在一定程度上得益于以下发现：人工神经网络为参数化量子多体希尔伯特空间的子集提供了强大的归纳偏差。尽管通过神经网络描述希尔伯特空间向量会导致无法对此类量子态子集进行精确的线性代数运算，但由于存在一种名为变分蒙特卡洛 (VMC) 的有效随机近似算法 [8,30]，基于神经网络的量子态 (NQS) 能够准确揭示量子自旋系统基态的属性，并使用 VMC 的时间相关变体（即所谓的 t-VMC）模拟其时间演化 [6,7]。自从复值受限玻尔兹曼机 [ 8 ] 问世以来，神经网络量子态的范围已经扩大到涵盖各种量子系统，这通过使用日益复杂（通常是多层的）的架构成为可能。相互作用的另一个驱动因素是发现 VMC 和变分量子算法 (VQA) 之间有着密切的类似性。特别是 Stokes 等人 [ 40 ] 在量子信息几何方面的最新研究阐明了机器学习中的自然梯度下降 [ 2 ]、随机重构 VMC [ 38 ] 和量子计算中的变分虚时间演化 [ 45 ] 之间的联系。本教程论文旨在作为对连续变量量子系统的基于流的 VMC 和 t-VMC 的独立回顾。为了具体起见，我们以玻色子量子系统为例进行讨论，以场振幅基表示。场振幅基并不是 VMC 文献 3 的传统焦点，VMC 文献集中于更易于用 Fock 基解释的非相对论系统。然而，场振幅基在具有相对论对称性的系统中是自然的，其中受控玻色子哈密顿量在 L 2 空间中表示为简单的薛定谔算子。因此，哈密顿量的简单性也提供了教学优势。场振幅基的一个可能的计算优势是，它不需要人为地将允许的模式占用数限制在有限范围内以进行数值实现。为了促进
变分量子电路中测量引起的纠缠相变
变分量子算法 (VQA) 经典地优化参数化量子电路以解决计算任务，有望增进我们对量子多体系统的理解，并使用近期量子计算机改进机器学习算法。这类量子-经典混合算法面临的突出挑战是与其经典优化相关的量子纠缠和量子梯度的控制。这些量子梯度被称为贫瘠高原现象，在体积定律纠缠增长的情况下，它们可能会迅速消失，这对 VQA 的实际应用构成了严重障碍。受最近对随机电路中测量诱导纠缠转变研究的启发，我们研究了具有中间投影测量的变分量子电路中的纠缠转变。考虑 XXZ 模型的哈密顿变分拟定 (HVA) 和硬件高效拟定 (HEA)，我们观察到随着测量率的增加，测量诱导的纠缠转变从体积定律到面积定律。此外，我们提供了证据表明，该转变属于随机酉电路的同一普适性类别。重要的是，该转变与经典优化中从严重到温和/无贫瘠高原的“景观转变”相吻合。我们的工作可能为通过在当前可用的量子硬件中结合中间测量协议来提高量子电路的可训练性提供一条途径。
基于变分深度嵌入的主动学习用于肺炎诊断
机器学习的工作原理与人类训练大脑的方式类似。一般来说，先前的经验通过激发大脑中的特定神经细胞并增加它们之间的链接权重来为大脑做好准备。机器学习还通过对训练集进行训练，不断改变模型中的权重来完成分类任务。它可以进行大量的训练，并在特定领域实现比人脑更高的识别准确率。在本文中，我们提出了一种主动学习框架，称为基于变分深度嵌入的主动学习 (VaDEAL)，作为一种以人为中心的计算方法，以提高诊断肺炎的准确性。由于主动学习 (AL) 通过标记最有价值的查询来实现标签高效学习，我们提出了一种新的 AL 策略，该策略结合了聚类来提高采样质量。我们的框架由 VaDE 模块、任务学习器和采样计算器组成。首先，VaDE 对整个数据集执行无监督的维度减少和聚类。端到端任务学习器在训练模型的目标分类器的同时，获取 VaDE 处理样本的嵌入表示。采样计算器将通过 VaDE 计算样本的代表性，通过任务学习计算样本的不确定性，并通过计算当前样本和先前样本之间的相似性约束来确保样本的整体多样性。通过我们新颖的设计，不确定性、代表性和多样性分数的组合使我们能够选择最具信息量的样本进行标记，从而提高整体性能。通过在大型数据集上进行的大量实验和评估，我们证明了我们提出的方法优于最先进的方法，并且在肺炎诊断中具有最高的准确率。
使用权重重映射提高量子变分分类器的收敛性
摘要：近年来，变分量子电路 (VQC) 在量子机器学习中的应用大幅增加。VQC 的灵感来自人工神经网络，它作为大规模参数化函数逼近器，在广泛的 AI 任务中实现了非凡的性能。VQC 已经通过利用量子计算中更强大的算法工具箱，在泛化和训练参数要求更少等方面取得了令人鼓舞的成果。VQC 的可训练参数或权重通常用作旋转门中的角度，而当前基于梯度的训练方法并未考虑到这一点。我们引入了 VQC 的权重重新映射，以将权重明确地映射到长度为 2 π 的区间，这从传统 ML 中汲取了灵感，其中数据重新缩放或规范化技术在许多情况下都表现出巨大的好处。我们使用一组五个函数，并以变分分类器为例，在 Iris 和 Wine 数据集上对它们进行评估。我们的实验表明，权重重新映射可以提高所有测试设置中的收敛性。此外，我们能够证明，与使用未修改的权重相比，权重重新映射可将 Wine 数据集的测试准确率提高 10%。
在变分量子算法中指数地提高量子振幅
1 LG 电子多伦多人工智能实验室，加拿大安大略省多伦多 M5V 1M3 2 多伦多大学化学系，加拿大安大略省多伦多 M5G 1Z8 3 多伦多大学计算机科学系，加拿大安大略省多伦多 M5S 2E4 4 威斯康星大学麦迪逊分校化学系，美国威斯康星州麦迪逊市 1101 University Ave. 53706 5 威斯康星大学麦迪逊分校物理系，美国威斯康星州麦迪逊市 1150 University Ave. 53706 6 耶鲁大学耶鲁量子研究所，美国康涅狄格州纽黑文 06520-8263 PO Box 208334 7 耶鲁大学化学系，美国康涅狄格州纽黑文 06520 PO Box 208107 8 萨里大学数学系，英国吉尔福德 9 能源耶鲁大学科学研究所，邮政信箱 27394，康涅狄格州西黑文 06516-7394，美国 10 加拿大安大略省多伦多人工智能矢量研究所，邮编 M5S 1M1 11 加拿大安大略省多伦多高级研究所，邮编 M5G 1Z8，加拿大 ∗ 任何通信均应发送给作者。
基于卷积变分生成模型的脑肿瘤检测新框架
摘要 脑肿瘤检测可以决定生死。最近，基于深度学习的脑肿瘤检测技术因其更高的性能而受到关注。然而，要获得这种基于深度学习的系统的预期性能，需要大量分类图像来训练深度模型。获取此类数据通常很无聊、耗时，并且很容易受到人为错误的影响，从而阻碍了这种深度学习方法的利用。本文介绍了一种用于脑肿瘤检测和分类的新框架。基本思想是从小型类别不平衡的收集数据集生成一个反映脑部 MRI 图像典型模式的大型合成 MRI 图像数据集。然后使用生成的数据集训练深度模型进行检测和分类。具体来说，我们采用两种类型的深度模型。第一个模型是生成模型，用于捕捉一组小型类别不平衡的脑部 MRI 图像中重要特征的分布。然后，通过利用这种分布，生成模型可以为每个类别合成任意数量的脑部 MRI 图像。因此，系统可以自动将小型不平衡数据集转换为更大的平衡数据集。第二个模型是使用大型平衡数据集训练的分类器，用于检测 MRI 图像中的脑肿瘤。所提出的框架获得了 96.88% 的总体检测准确率，这凸显了所提出的框架作为精确、低开销脑肿瘤检测系统的前景。
作者更正：量子光子处理器上的变分量子去采样
在本信函最初发布的版本中，致谢中缺少以下句子：“DL、IIF、JGR 和 MGT 感谢英国量子技术中心对量子通信技术的支持，该中心由 EPSRC 资助：EP/M013472/1；项目资助编号 EP/L024020/1。” 该句子现已添加到本信函的在线版本中。