XiaoMi-AI文件搜索系统
World File Search System变分
变分自动编码器学习更好的特征表示，用于基于脑电图的肥胖分类
摘要 — 肥胖是当今现代社会的一个常见问题，可导致各种疾病并显著降低生活质量。目前，已经开展了研究以调查静息状态脑电图 (EEG) 信号，目的是识别与肥胖相关的可能的神经系统特征。在本研究中，我们提出了一个基于深度学习的框架来提取静息状态脑电图特征，以对肥胖和瘦弱人群进行分类。具体而言，采用一种新颖的变分自动编码器框架从原始脑电图信号中提取受试者不变特征，然后通过一维卷积神经网络对其进行分类。与传统的机器学习和深度学习方法相比，我们证明了使用 VAE 进行特征提取的优势，这反映在特征表示中分类准确率的显著提高、可视化效果的改善和杂质测量的减少。未来的工作方向可以从神经学角度深入了解所提出的模型所学习的空间模式，以及通过允许其发现任何与时间相关的信息来提高所提出的模型的可解释性。索引术语——深度学习、EEG、分类、变分自动编码器
使用变分量子电路的策略梯度
各种量子电路被用作多功能量子机学习模型。一些经验结果在监督和生成的学习任务中具有优势。但是，当应用于加固学习时，却少知道。在这项工作中，我们认为是由低深度硬件效果ANSATZ组成的变异量子电路，是增强学习代理的参数化策略。我们表明，可以使用对数数量的参数总数来获得策略梯度的ϵ- approximation。我们从经验上验证了这种量子模型的行为与标准基准标记环境中使用的典型经典神经网络和仅使用一小部分参数所使用的典型经典神经网络。此外，我们使用Fisher Information矩阵频谱研究量子策略梯度中的贫瘠高原现象。
基于变分量子电路的函数回归理论误差性能分析
噪声中型量子器件使得量子神经网络 (QNN) 的变分量子电路 (VQC) 得以实现。尽管基于 VQC 的 QNN 已在许多机器学习任务中取得成功，但 VQC 的表示和泛化能力仍需要进一步研究，尤其是在考虑经典输入的维数时。在这项工作中，我们首先提出了一种端到端 QNN，TTN-VQC，它由基于张量训练网络 (TTN) 的量子张量网络（用于降维）和用于函数回归的 VQC 组成。然后，我们针对 TTN-VQC 的表示和泛化能力进行误差性能分析。我们还利用 Polyak-Lojasiewicz 条件来表征 TTN-VQC 的优化属性。此外，我们对手写数字分类数据集进行了函数回归实验，以证明我们的理论分析是正确的。
基于最大熵形式的量子态层析成像变分方法
然而，在任意低温下制备给定哈密顿量的吉布斯态并非易事 39，人们提出了各种方法，包括经典方法和量子方法 40–43，以在某些特定条件下制备吉布斯态。其中一些技术包括基于量子拒绝采样 44 、动力学模拟 45,46 和降维 47 的算法，但实现这些方法的量子资源开销成本非常高，因此不适合在近期的量子设备上执行。为了在 NISQ 设备中找到量子算法的应用，底层量子电路应该是浅的，具有较低的电路深度和较少的量子比特数。变分量子算法 (VQA) 48 就是这样一类遵循基于变分原理的启发式方法的混合量子经典算法，由于它们在具有浅量子电路的 NISQ 设备上实现，近年来 49–54 非常流行。为了使用 VQA 在 NISQ 设备上准备量子吉布斯态，已经提出了几种方法。55–60 在这项工作中，我们采用了 Wang 等人的方法。39 其中，在量子电路上准备吉布斯态的损失函数涉及熵的泰勒级数截断，并且已被证明可以为给定的汉密尔顿量准备保真度超过 99% 的吉布斯态。系统的物理汉密尔顿量是未知的，实际上在此协议中是不必要的。人们只能访问任意一组厄米算子的期望值。原则上，使用形式主义可以生成与这种任意甚至不完整的平均测量集一致的最小偏差量子态，但在本报告中，我们使用 IC 集进行测试和验证，希望能够提供用于采样的未知纯量子态的近乎精确的重建。这是通过构建一个厄米矩阵 H 来实现的，该矩阵由拉格朗日乘数参数化。后者充当吉布斯态的代理汉密尔顿量，吉布斯态代表量子系统状态的断层扫描重建。本文提出的混合量子-经典断层扫描协议涉及浅参数化量子电路的应用，可在当前到近期的量子硬件上进行实验实现。这本身就比某些其他断层扫描协议 11-14 更有优势，因为经过优化，状态可以直接在量子
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。
基于最大熵形式的量子态层析成像变分方法
图 3：对于范围从 2 到 6 的量子比特，该图显示了在每一步优化中使用重建的量子态获得的 Hermitian 算子的 IC 集的真实期望值和生成的期望值之间的时期数的函数即均方误差 (MSE) 损失。
变分原理与静态微扰理论
我们可以使用一种称为“变分量子特征求解器”（VQE）的量子算法来测试变分原理的实验有效性。该算法分为 4 部分：状态准备、量子门操作、能量测量和经典优化。在 VQE 实验中，我们得到一个哈密顿量 H ，其基态能量未知。我们准备一个猜测函数（一个假设）并将其编码到量子位集合上。一旦准备好这个状态，我们就将这些量子位输入一组量子模块，这些量子模块对这些量子位执行一系列量子门操作 - 这些门操作由哈密顿量 H 决定。然后，我们测量每个量子位的能量并将它们相加以获得总状态能量。最后，我们通过经典改变初始量子态的变分参数来优化这个能量。我们用新参数重复这个过程，直到找到最小能量。
超导量子处理器上分子线性响应特性的变分量子计算
摘要：模拟分子的响应特性对于解释实验光谱和加速材料设计至关重要。然而，对于传统计算机上的电子结构方法来说，这仍然是一个长期存在的计算挑战。虽然量子计算机有望在长期内更有效地解决这一问题，但现有的需要深度量子电路的量子算法对于近期的噪声量子处理器来说是不可行的。在此，我们引入了一种用于响应特性的实用变分量子响应 (VQR) 算法，从而无需深度量子电路。利用该算法，我们报告了在超导量子处理器上首次模拟分子的线性响应特性，包括动态极化率和吸收光谱。我们的结果表明，使用该算法结合合适的误差缓解技术，一大类重要的动态特性，如格林函数，在近期的量子硬件范围内。
计算流体动力学的变分量子算法
图 1 四个 𝑁 量子比特量子寄存器上的四个试验状态 | 𝑓 ( 𝑗 ) ⟩ 的 QNPU 架构，初始化为 | 0 ⟩ = | 00 . . . 0 ⟩ 。网络的红色部分创建变分试验状态。绿色 QNPU 部分实现问题特定的线性算子 𝑂 𝑗 。其操作由端口 CP 控制，试验函数通过输入端口 IPx 输入，输出标记为 OPx。蓝色辅助网络用于评估成本函数（图来自 [11]）。