A Multi-Resolution Framework for U-Nets with Applications to Hierarchical VAEs
University of Oxford（牛津大学）；University of Birmingham（伯明翰大学）；Health Data Research UK（英国健康数据研究所）；The Alan Turing Institute（艾伦·图灵研究所）
U-Net架构在最先进的深度学习中无处不在，但它们的正则化特性和与小波的关系尚未得到充分研究。在本文中，我们制定了一个多分辨率框架，该框架将U-Nets识别为无限维函数空间上模型的有限维截断。我们提供了理论结果，证明平均池对应于平方可积函数空间内的投影，并表明具有平均池的U-网隐式学习数据的Haar小波基表示。然后，我们利用我们的框架，以确定国家的最先进的层次VAE（HVAE），其中有一个U-Net架构，作为一种类型的两步向前欧拉离散化的多分辨率扩散过程，从一个点质量流，引入采样不稳定性。我们还证明了HVAE学习的时间表示，允许通过权重共享提高参数效率。我们利用这一观察结果来实现最先进的HVAE性能与现有模型的参数数量的一半，利用我们的连续时间配方的属性。
2023-01-19 cs.CV cs.LG eess.SP
Boltzmann Sampling of Frustrated J1 - J2 Ising Models with Programmable Quantum Annealers
Information Systems & Modeling, Los Alamos National Laboratory（信息系统与建模，洛斯阿拉莫斯国家实验室）；Theoretical Division, Quantum & Condensed Matter Physics, Los Alamos National Laboratory（理论部，量子与凝聚态物理，洛斯阿拉莫斯国家实验室）；Center for Quantum Computing, Los Alamos National Laboratory（量子计算中心，洛斯阿拉莫斯国家实验室）
该研究探究D-Wave量子退火器对ANNNI模型的玻尔兹曼采样能力，发现特定硬件参数可实现高精度低采样误差，验证了模拟量子计算机用于阻挫磁自旋系统热力学采样的可行性。
2026-08-17 cond-mat.stat-mech quant-ph
Testing importance sampling on a quantum annealer for strong coupling SU(3) gauge theory
本研究在 D-Wave 量子退火机上对强耦合 SU(3) 规范理论进行重要性采样，通过模拟无符号问题的淬火作用并结合符号重加权方法，在 2×2 格点上验证了方法的有效性。
2023-11-13 hep-lat quant-ph
GAN-Diff : Coupling Pretrained WGAN-GP Features with Conditional Diffusion U-Nets
North South University（北南大学）
本文提出GAN-Diff框架，将预训练WGAN-GP特征作为先验耦合到条件扩散U-Net，在CelebA数据集的高斯去噪和2倍超分辨率任务上，分别提升PSNR达4.40 dB和3.70 dB，实现稳定高效的图像复原。
2026-08-31 cs.AI cs.CV cs.LG
U-Nets as Belief Propagation: Efficient Classification, Denoising, and Diffusion in Generative Hierarchical Models
University of California, Berkeley（加州大学伯克利分校）
本文通过树结构生成式层次模型将 U-Net 解释为信念传播去噪算法的自然实现，并给出样本复杂度界，同时统一了 ConvNets 与 U-Net 在分类和去噪任务中的角色。
2024-05-01 cs.AI cs.LG math.ST
Estimation of effective temperatures in quantum annealers for sampling applications: A case study with possible applications in deep learning
玻尔兹曼分布采样效率的提高将对深度学习和其他机器学习应用产生重大影响。最近，量子退火机被提出作为加速这一任务的潜在候选者，但一些限制仍然阻碍了这些最先进的技术的有效使用。其中一个主要的限制是，虽然该设备确实可以从玻尔兹曼分布中采样，但量子动力学参数表明它将在{ \it实例依赖}有效温度下这样做，而不是它的物理温度。除非这个未知的温度可以被揭开，否则可能无法有效地使用量子退火器进行玻尔兹曼采样。在这项工作中，我们提出了一个简单的有效温度估计算法来克服这一挑战的策略。我们提供了一个系统的研究，评估有效温度在嵌入量子硬件的一类特殊受限玻尔兹曼机学习中的影响，这可以作为深度学习架构的构建块。我们还提供了与$k$ -阶对比发散（CD- $k$）的比较，其中$k$高达100。虽然假设一个合适的固定的有效温度也允许我们超越一步对比发散（CD-1），只有当使用一个实例依赖的有效温度时，我们才能找到一个性能接近CD-100的情况下，在这里研究。
2016-08-09 quant-ph
Transfer Learning for Deep-Unfolded Combinatorial Optimization Solver with Quantum Annealer
Institute of Science Tokyo（东京科学研究所）
本研究针对可训练采样式组合优化求解器受训练成本限制无法使用量子退火器的问题，提出经典-量子迁移学习方法，先经典训练参数再用于量子求解器，有效提升了收敛速度与运行效率。
2025-01-07 cs.LG quant-ph
Sampling electronic structure QUBOs with Ocean and Mukai solvers
最先进的D-Wave Advantage量子退火机有5000多个量子位，然而，每个量子位都连接到少量的邻居。因此，全连接图的实现导致量子比特计数的数量级减少。为了弥补量子比特数量的减少，人们不得不依赖于特殊的启发式软件，如qbsolv，其目的是将一个大问题分解成适合量子退火机的较小部分。在这项工作中，我们比较了这样的软件的两个实现的性能：原来的开源qbsolv，这是一个部分的D-波海洋工具和一个新的Mukai QUBO求解器从量子计算公司。（QCI）。比较是为了解决电子结构问题，并在一个经典的模式（禁忌搜索技术）。量子退火器本征解算器用于将电子结构本征值-本征向量方程映射为可在现代量子退火器上解决的一类问题。我们发现，Mukai QUBO求解器优于海洋qbsolv在目前的工作中所做的所有计算，无论是地面和激发态计算。这项工作刺激了软件的开发，以协助现代量子退火机的利用。
2021-02-01 quant-ph
Solving Inequality-Constrained Binary Optimization Problems on Quantum Annealer
我们提出了一个新的方法来解决二元优化问题的不等式约束下使用量子退火。为了处理不等式约束，我们经常使用松弛变量，就像以前的方法一样。当我们使用松弛变量时，我们通常进行二进制扩展，这需要大量的物理量子位。因此，当前量子退火机的问题仅限于小规模。在这项研究中，我们采用交替方向法的乘数。这种方法使我们能够处理各种类型的使用限制在当前的量子退火没有松弛变量。为了测试我们的算法的性能，我们使用二次背包问题（QKPs）。我们比较了我们的方法与模拟退火和D波机的优化和采样模式所获得的精度。作为我们的实验结果，我们发现，采样模式显示出最好的准确性。我们还发现，我们的方法的计算时间是快于精确求解器，当我们处理各种QKP定义在稠密图。
2020-12-11 cond-mat.stat-mech quant-ph
Hybrid Classical-Quantum Sampling for Lattice Scalar Field Theory
本文提出利用辅助量子比特将四次相互作用项二次化的三种方案，并在 D-Wave 上结合 Metropolis-Hastings 采样，以经典-量子混合方式研究二维格点标量场论。
2025-06-11 hep-lat quant-ph
Towards Sampling from Nondirected Probabilistic Graphical models using a D-Wave Quantum Annealer
Mississippi State University（密西西比州立大学）
具有2048个量子比特晶格的D-Wave量子退火器（QA），没有丢失的量子比特和耦合，允许嵌入受限玻尔兹曼机（RBM）的完整图。具有8 × 7像素可见单位的手写数字OptDigits数据集用于使用经典对比发散训练RBM。将经典训练的RBM嵌入到D-Wave网格中用于证明QA提供了经典马尔可夫链蒙特卡罗（MCMC）的高效替代方案，用于重建测试图像的缺失标签以及生成模型。在任何训练迭代中，基于D-Wave的分类的分类误差比MCMC低两倍以上。本研究的主要目的是调查从RBM模型分布的样本的质量，并将其与经典MCMC样本进行比较。对于OptDigits数据集，与MCMC样本相比，D-Wave样本中的状态属于大约两倍的局部谷。MCMC样本中的所有最低能量（最高联合概率）局部极小值也被D-Wave发现。D波错过了许多高能量的局部山谷，同时发现了许多MCMC一直错过的“新”局部山谷。据建立的“新的”局部谷，D波发现是重要的模型分布在相应的局部极小值的能量，局部谷的宽度，和逃逸势垒的高度。
2019-05-01 cs.LG quant-ph stat.ML
Experimental and Theoretical Study of Thermodynamic Effects in a Quantum Annealer
量子器件受到固有噪声和环境噪声的影响。噪声效应的深入表征对于利用噪声量子计算是必不可少的。为此，我们通过实验和数值模拟研究了量子退火器的能量耗散行为。我们的研究采用了最近提出的纯量子动力学和纯热力学之间的插值技术。实验在具有退火暂停功能的量子退火机上进行，该退火暂停功能通过暂停作为量子涨落源的横向场来将热弛豫期插入到退火时间表中。在研究了表征系统量子热力学的特殊哈密顿量之后，我们观察到了依赖于退火暂停参数的热力学签名的增强。在开放量子模拟中观察到的态矢量随时间的发展，为研究能隙分析之外的现象提供了丰富的信息。我们确定了一种特殊的本征态桥，即在希尔伯特空间中相距很远的基态，并确定了从一个基态到另一个基态的转移几率。这一发现可以通过减小在量子退火器中寻找经典基态时的采样偏差来改善采样均匀性。我们的研究不仅描述了特定哈密顿量的开量子现象，而且证明了该方法在研究噪声量子器件中的有用性。
2019-02-13 quant-ph
Beyond Optimization: Harnessing Quantum Annealer Dynamics for Machine Learning
Okinawa Institute of Science and Technology Graduate University（冲绳科学技术大学院大学）；Toyota Central R&D Labs., Inc.（丰田中央研究所）；DENSO CORPORATION（电装株式会社）；Global Research and Development Center for Business by Quantum-AI technology (G-QuAT), National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所量子AI技术商业化全球研发中心）
本文提出利用量子退火动力学进行机器学习，通过编码数据到Ising哈密顿量并利用概率分布进行分类，实验表明短退火时间提升分类精度，同时引入参与比衡量模型大小与泛化能力的关系。
2026-02-08 quant-ph
Assessment of image generation by quantum annealer
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究科）；Institute for Innovative Research, Tokyo Institute of Technology（东京工业大学创新研究所）；Sigma-i Co., Ltd.（Sigma-i 有限公司）
量子退火最初是作为一种利用量子效应解决组合优化问题的方法提出的。D-Wave Systems发布了量子退火硬件的生产模型。然而，硬件中固有的噪声和各种环境因素阻碍了最佳解决方案的确定。此外，在具有弱量子涨落的区域中的冻结效应在极低的温度下产生近似遵循吉布斯-玻尔兹曼分布的输出。因此，量子退火器也可以作为伊辛自旋玻璃问题的快速采样器，并且有几项研究已经使用量子退火器研究了玻尔兹曼机器学习。以前的发展集中在比较经典计算机中的传统方法和量子退火机采样之间的所得分布的标准距离的性能。在这项研究中，我们专注于量子退火机作为生成模型的性能。为了评估其性能，我们准备了一个由先验数据集训练的神经网络给出的样本。评估结果表明，量子退火相比，经典的玻尔兹曼机器学习的方法有更高的性能。
2021-03-15 cond-mat.dis-nn cs.LG quant-ph
Understanding the physics of D-Wave annealers: From Schrödinger to Lindblad to Markovian Dynamics
本研究分析了D-Wave退火炉的采样行为，通过标准与快速退火协议结合Bloch方程、Lindblad和Markovian主方程模拟，验证了其结果与Gibbs分布的一致性，揭示了量子力学在其中的作用。
2025-03-27 quant-ph
Programmable Quantum Annealers as Noisy Gibbs Samplers
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；University of Maryland（马里兰大学）
从高维概率分布中提取独立样本是现代算法的主要计算瓶颈，包括强大的机器学习框架，如深度学习。对发现更大的分布族的探索，可以有效地实现采样，激发了对现有计算方法的探索，并转向利用量子计算原理的新型物理设备。量子退火体现了一个有前途的计算范式，这是密切相关的吉布斯分布中的能量景观的复杂性，它涉及到系统状态的概率，这些状态的能量。在这里，我们研究的物理实现的量子退火，这是通过超导磁通量子比特的可编程晶格实现的采样特性。对这些量子机产生的数据进行全面的统计分析表明，量子退火机的行为就像采样器一样，可以从低温噪声吉布斯分布中生成独立的配置。我们表明，输出分布的结构探测量子器件的固有物理特性，如单个量子比特的有效温度和局部量子比特噪声的大小，这导致非线性响应函数和虚假的相互作用，在硬件实现中不存在。我们预计，我们的方法将广泛用于表征未来几代量子退火机和其他新兴的模拟计算设备。
2020-12-16 cond-mat.stat-mech cs.ET cs.LG
Restricted Boltzmann Machines for galaxy morphology classification with a quantum annealer
Fermi National Accelerator Laboratory（费米国家加速器实验室）；Lockheed Martin Advanced Technology Center（洛克希德·马丁先进技术中心）；Kavli Institute for Cosmological Physics, University of Chicago（芝加哥大学卡弗里宇宙学物理研究所）；Department of Astronomy and Astrophysics, University of Chicago（芝加哥大学天文与天体物理学系）
我们提出了应用限制玻尔兹曼机（RBM）的天文图像分类的任务，使用量子退火由D波系统。星系的形态分析为研究它们在宇宙时间尺度上的形成和演化提供了关键信息。我们使用主成分分析来压缩星系图像，以适应量子硬件上的表示。然后，我们训练RBM判别和生成算法，包括对比发散和混合生成判别方法，对不同的星系形态进行分类。我们比较的方法包括量子退火（QA），马尔可夫链蒙特卡罗（MCMC）吉布斯采样和模拟退火（SA）以及机器学习算法，如梯度提升决策树。我们发现在D-Wave硬件上实现的RBM表现良好，并且它们在小数据集上显示出一些分类性能优势，但它们并没有为这项任务提供广泛的战略优势。在此探索过程中，我们分析了使用D-Wave 2000 Q进行玻尔兹曼采样所需的步骤，包括温度估计的研究，并通过将原始D-Wave 2000 Q与最近推出的低噪声版本进行比较和对比来检查量子比特噪声的影响。虽然这些分析最终对成果管理制的绩效影响甚微，但我们还是将其纳入参考。
2020-02-13 astro-ph.GA cs.LG quant-ph
Performance of quantum annealing for 2-SAT problems with multiple satisfying assignments
本文利用具有四个满足赋值的困难2-SAT问题，研究了量子退火模拟及D-Wave物理量子退火器的缩放与采样性能，发现理想退火可用微扰理论解释，而D-Wave结果则与平衡概率分布计算的缩放相符。
2025-02-12 quant-ph
A calibrated diagnostic for reverse-anneal sampling in programmable quantum annealers
Tecnológico de Monterrey（蒙特雷科技大学）
本文研究了可编程量子退火机中子系统弛豫现象，并提出了一种校准的采样诊断方法，用于评估量子退火机的采样性能和记忆保持能力。
2026-08-11 cond-mat.dis-nn quant-ph
Multi-Qubit Correction for Quantum Annealers
我们提出了一种新的量子退火后处理方法\emph{multi-qubit correction}（MQC），它将开放系统中的演化视为Gibbs采样器，并将一组激发态减少到具有较低能量值的新合成态。在从给定（伊辛）哈密顿量的基态采样之后，MQC比较激发态对以识别虚拟隧道--即，一组同时改变其状态的量子比特可以产生具有较低能量值的新状态--并且连续地收敛到基态。使用D-Wave 2000 Q量子退火机的实验结果表明，与量子退火领域的最新硬件/软件进展（如自旋反转变换、经典后处理技术和连续测量之间增加的样本间延迟）相比，MQC发现了能量值明显较低的样本，并提高了结果的再现性。
2021-07-10 cs.ET quant-ph
Scalable effective temperature reduction for quantum annealers via nested quantum annealing correction
嵌套量子退火校正（NQAC）是用于量子退火的纠错方案，其允许将逻辑量子比特编码成任意大数目的物理量子比特。编码用度$C$的完整图替换每个逻辑量子位。嵌套级别$C$表示纠错码的距离，并控制针对热错误和控制错误的保护量。用D-Wave Two量子退火机（支持多达$512$量子比特）获得的理论平均场分析和经验数据表明，NQAC有可能用$η\leq 2$实现可扩展的有效温度降低$T_{\rm eff} \sim C^{-η}$。我们确认，当NQAC在D-Wave 2000 Q设备（支持高达$2048$量子位）上测试时，这种缩放是保留的。此外，我们表明，NQAC也可以用于采样问题，以降低量子退火的有效温度。这种有效的温度降低与机器学习应用相关。由于我们证明了NQAC通过有效降低量子退火设备的温度来实现纠错，因此我们的结果解决了“量子退火机的温度标度律”的问题，该问题需要降低量子退火机的温度，因为试图解决更大尺寸的问题。
2017-10-22 quant-ph
Quantum-assisted associative adversarial network: Applying quantum annealing in deep learning
NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Bay Area Environmental Research Institute（湾区环境研究所）
我们提出了一种通过生成对抗学习来学习潜变量生成模型的算法，其中正则均匀噪声输入被来自图形模型的样本所取代。该图形模型由玻尔兹曼机学习，玻尔兹曼机学习由机器提取的数据的低维特征表示。使用量子退火机D-Wave 2000 Q从该模型中取样。该算法加入了在深度学习中使用量子退火子例程的不断增长的算法家族，并提供了一个框架来测试量子辅助学习在GANs中的优势。完全连接，对称二分和嵌合体图拓扑结构进行了比较，减少随机二进制MNIST数据集，经典和量子退火采样方法。量子辅助关联对抗网络成功地学习了MNIST数据集的所有拓扑的生成模型，并且还应用于Chimera拓扑的LSUN数据集卧室类。使用Fréchet起始距离和起始分数进行评估，发现该算法的量子和经典版本对于学习MNIST数据集的隐式生成模型具有等效性能。
2019-04-23 cs.LG quant-ph stat.ML
A hybrid quantum-classical approach for inference on restricted Boltzmann machines
University of Latvia（拉脱维亚大学）；Accenture Baltics（埃森哲波罗的海分公司）；Accenture United Kingdom（埃森哲英国分公司）
本文提出一种量子-经典混合方法，利用D-Wave量子退火机为受限玻尔兹曼机生成样本并通过马尔可夫链改进，证明该混合方法比纯经典采样更高效且能提升Gibbs采样性能。
2023-03-31 cs.LG quant-ph
Quantum annealers as programmable thermal machines
Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）；Quantumz.io Sp. z o.o.（Quantumz.io有限责任公司）；Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用物理研究所）；Jülich Supercomputing Centre, Institute for Advanced Simulation, Forschungszentrum Jülich（于利希超算中心，先进模拟研究所，于利希研究中心）；University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；National Quantum Laboratory（国家量子实验室）；Quantum Science Institute（量子科学研究所）；Institut für Theoretische Physik, Universität Tübingen（蒂宾根大学理论物理研究所）
本文将D-Wave量子退火器表征为封闭热力学循环，通过分析其能量交换等热力学量，补充了仅靠解质量或运行时间无法获得的信息，连接了量子优化等多领域。
2026-08-06 quant-ph
Global warming: Temperature estimation in annealers
从玻尔兹曼分布采样是NP难的，因此需要启发式方法。量子退火是一个有希望的候选者。退火动力学在实际时间尺度上平衡的失败是一个很好理解的限制，但并不总是阻止生成一个实用的分布。在本文中，我们评估了几种方法来确定一个有用的操作温度范围的退火炉。我们表明，即使分布偏离玻尔兹曼分布由于遍历性打破，这些估计是有用的。我们介绍了本地和全球温度的概念，通过不同的估计方法。我们认为，对于实际应用，它往往是有意义的，以隔离的宏观分布偏差，是一个实际的障碍，他们的应用程序进行后处理的退火炉分析。
2017-08-25 cond-mat.stat-mech quant-ph stat.AP
Probing Antiferromagnetic Hysteresis on Programmable Quantum Annealers
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
该研究利用可编程量子退火器探测反铁磁体的磁记忆效应，通过横向场和纵向控制场实现磁滞回线的饱和与反转，并揭示量子涨落引发的磁域作用。
2026-10-02 cond-mat.other cond-mat.stat-mech cond-mat.str-el
Testing a quantum annealer as a quantum thermal sampler
最近的实验中，复杂的多体系统的特定的热性能被成功地复制在市售的量子退火机的动机，我们研究在何种程度上量子退火硬件可以可靠地从热状态采样在一个特定的基础与目标量子哈密顿量。我们通过在D-Wave 2000 Q量子退火处理机上研究正则一维横场伊辛模型的对角热性质来解决这个问题。我们发现量子处理器不能产生量子蒙特卡罗预测的正确期望值。比较主方程模拟，我们发现，这种差异是最好的解释如何在有限的横向领域的测量制定的设备上。具体地说，在有限横向场的测量要求系统从目标哈密顿量猝灭到具有可忽略横向场的哈密顿量，并且这种猝灭太慢。这样的硬件所施加的限制使其不太可能成为热采样的候选者，并且对于任意量子多体系统，通常可以稳健地估计什么样的热期望值仍然是一个悬而未决的问题。
2021-12-01 quant-ph
Conditioned quantum-assisted deep generative surrogate for particle-calorimeter interactions
TRIUMF（TRIUMF（加拿大国家粒子加速器中心））；Perimeter Institute for Theoretical Physics（圆周理论物理研究所）；University of British Columbia（不列颠哥伦比亚大学）；National Research Council（加拿大国家研究委员会）；University of Virginia（弗吉尼亚大学）
针对LHC探测器模拟计算成本过高的问题，提出一种条件量子辅助深度生成模型，外部用条件VAE、潜在空间用条件RBM，并在D-Wave Advantage量子退火机上采样，引入磁通偏置条件化与自适应逆温度估计新方法，在CaloChallenge数据集上验证了有效性。
2024-12-18 cs.AI cs.LG hep-ph
Traffic flow optimization using a quantum annealer
量子退火算法属于元启发式工具，适用于解决二元优化问题。量子退火的硬件实现，例如D-Wave Systems生产的量子处理单元（QPU），已经在研究中进行了多次分析，目的是表征该技术对优化和采样任务的有用性。在本文中，我们提出了一个使用量子技术的实际应用。具体来说，我们展示了如何映射现实世界的交通流优化问题的某些部分，以适合量子退火。我们表明，时间关键的优化任务，如密集的道路网络中的汽车位置数据的连续重新分配，是量子应用的合适候选者。由于当前一代D-Wave QPU的尺寸和连接性有限，我们使用混合量子和经典方法来解决流量问题。
2017-08-09 cs.DS quant-ph
Free energy-based reinforcement learning using a quantum processor
QBit（1QBit）；The University of British Columbia（不列颠哥伦比亚大学）；Simon Fraser University（西蒙菲莎大学）
最近的理论和实验结果表明，在具有挑战性的采样任务中使用当前和不久的将来的量子硬件的可能性。在本文中，我们介绍了基于自由能的强化学习（FERL）作为量子硬件的应用。我们提出了一种方法来处理量子退火机的测量量子位自旋配置近似量子玻尔兹曼机（QBM）的自由能。然后，我们应用这种方法来执行强化学习的网格世界的问题，使用D-Wave 2000 Q量子退火。实验结果表明，我们的技术是一种很有前途的方法，利用量子采样的权力在强化学习任务。
2017-05-29 cs.AI cs.LG cs.NE
Classical Thermometry of Quantum Annealers
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；D-Wave Quantum Inc.（D-Wave量子公司）
本研究通过实验评估量子退火机的有效温度模型，发现需要非热效应修正，揭示了其在经典热力学实验中的可行性和非理想性。
2025-12-02 cond-mat.dis-nn cond-mat.stat-mech quant-ph
Online calibration scheme for training restricted Boltzmann machines with quantum annealing
提出一种在线校准量子退火器内部参数的方案，使训练RBM的样本同时用于参数估计，样本质量媲美Gibbs采样且训练效果优于对比散度。
2025-02-17 cond-mat.dis-nn quant-ph
On Quantum Annealing Without a Physical Quantum Annealer
针对实体量子退火机供应商单一的局限，提出离散化量子退火方案与混合量子-经典启发式算法QASA，可在更少步数下达到与模拟退火相当的性能，为固定参数量子优化研究提供新思路。
2023-07-19 quant-ph
Quantum-Assisted Learning of Hardware-Embedded Probabilistic Graphical Models
Quantum Artificial Intelligence Laboratory, NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心量子人工智能实验室）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）；Cambridge Quantum Computing Limited（剑桥量子计算有限公司）；SGT Inc.（SGT公司）；Instituto de Matemáticas Aplicadas, Universidad de Cartagena（卡塔赫纳大学应用数学系）；Exploration Technology Directorate, NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心探索技术部）；USRA Research Institute for Advanced Computer Science（美国航天研究所高级计算机科学研究所）
主流的机器学习技术，如深度学习和概率编程，严重依赖于从通常难以处理的概率分布中进行采样。人们对使用量子计算技术作为采样引擎来加速这些任务或使其更有效的潜在优势越来越感兴趣。然而，在我们评估它们的实际性能之前，必须克服最先进的量子退火机中的一些紧迫挑战。物理硬件实现中量子比特之间的局部相互作用导致的稀疏连接性被认为是构建强大的生成式无监督机器学习模型的质量的最严重限制。在这里，我们使用嵌入技术来为数据集添加冗余，从而提高量子退火机的建模能力。我们通过在一个手写数字的二进制数据集和两个合成数据集上训练硬件嵌入式图形模型来说明我们的发现，实验中的数据集高达940个量子位。我们的模型可以在量子硬件中训练，而无需完全了解指定相应量子吉布斯分布的有效参数;因此，这种方法避免了在每次迭代时推断有效温度的需要，加快了学习速度;它还减轻了控制参数中噪声的影响，使其对参考吉布斯分布的偏差具有鲁棒性。我们的方法证明了使用量子退火器实现生成模型的可行性，并且它为在机器学习相关任务上对这些量子技术进行基准测试提供了合适的框架。
2018-01-25 cs.LG quant-ph
Comprehensive pKa Data Augmentation from Limited Real Data through an Engineered Models-Quantum Framework
Department of Chemistry, Tsinghua University（清华大学化学系）；Department of Chemical Engineering, Tsinghua University（清华大学化学工程系）；School of Science, China Pharmaceutical University（中国药科大学理学院）
针对pKa数据稀疏问题，提出量子辅助分子生成方法，利用优化机器学习模型预测和量子退火器采样，在相干伊辛机上实现极端值采样。
2026-06-18 cs.AI cs.LG physics.chem-ph
Analysis of a Programmable Quantum Annealer as a Random Number Generator
本研究分析D-Wave 2000Q量子退火器作为随机数发生器的性能，通过超200亿比特数据和NIST测试套件，发现其输出有偏，最小熵仅0.824，需后处理。
2024-02-10 cs.CR cs.ET quant-ph
Digital Annealer-Assisted CNOT Oriented Quantum Circuit Transpilation with Integrated QUBO Mapping and Routing
Keio University（庆应义塾大学）；University College London（伦敦大学学院）
本文提出利用数字退火进行精度优先的量子电路编译，通过混合策略和全退火策略实现CNOT门数减少，提升近量子硬件的实用性。
2026-09-01 quant-ph
Comparing Three Generations of D-Wave Quantum Annealers for Minor Embedded Combinatorial Optimization Problems
本文在四台 D-Wave 设备上比较三代量子退火器在最大团和最大割问题上的性能，发现采用 Zephyr 拓扑的最新硬件在近似比和链断裂率上总体最优。
2024-10-23 cs.ET math.CO quant-ph
Modernizing Quantum Annealing using Local Searches
我描述了如何真正的量子退火器可以用来执行本地（在状态空间）搜索周围指定的状态，而不是传统上实现的量子退火算法的全局搜索。这样的协议将具有许多优于简单量子退火的优点。通过使用这样的搜索，可以减少问题误指定的影响，因为只有搜索状态之间的能量差将是相关的。量子退火算法是模拟退火的类似物，模拟退火是一种经典的数值技术，现在已经被取代。因此，我探索了两种策略，以利用现代经典优化算法的方式使用退火器。具体来说，我展示了如何顺序调用量子退火器可以用来构建类似的人口退火和并行回火使用量子搜索作为子程序。这里给出的技术不仅可以应用于优化，而且可以应用于采样。我研究了这些协议在实际设备上的可行性，并注意到，实现这样的协议应该需要最小的变化，如果有任何变化，目前的设计通量量子位为基础的退火由D波系统公司。我还提供了基于量子蒙特卡罗的原理验证数值实验，这些实验演示了所讨论技术的简单示例。
2017-06-22 quant-ph
Exploration of new chemical materials using black-box optimization with the D-wave quantum annealer
本研究针对化学材料探索中黑盒目标函数优化难题，采用带方差采样的D-Wave量子退火器优化采集函数，可更广泛探索解空间，发现仅靠合适方差才能找到的目标特性取代基组合。
2023-12-15 physics.chem-ph quant-ph
Neural and Tensor Networks in the Study of Quantum Annealing Processors
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用数学研究所）
本文提出基于张量网络的优化方法和量子退火处理器的评估框架，结合经典基线、采样和多样性指标，探讨算法性能与物理消耗的联合测量。
2026-04-30 quant-ph
DiffFlow: A Unified SDE Framework for Score-Based Diffusion Models and Generative Adversarial Networks
HKUST（香港科技大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出统一SDE框架DiffFlow，将SDMs和GANs的学习动力学纳入同一随机微分方程，通过调节分数权重实现两类模型平滑过渡，并给出具有精确似然推断的新算法。
2023-07-05 cs.CV cs.LG math.AP
Graph minor embedding can affect sampling degenerate ground states using quantum annealing
Tohoku University（东北大学）；Institute of Science Tokyo（东京科学大学）；Kumamoto University（熊本大学）；Sigma-i Co., Ltd.（Sigma-i有限公司）
本研究探讨了图极小嵌入对量子退火采样退化基态的影响，发现链强与基态公平性相关，平坦的能量景观更易被采样。
2025-11-13 cond-mat.stat-mech quant-ph
Open Event Extraction from Online Text using a Generative Adversarial Network
Southeast University（东南大学）；University of Warwick（华威大学）
在提取开放域事件的结构化表示方面，贝叶斯图模型取得了一定的进展。然而，这些方法通常假设文档中的所有单词都是从单个事件生成的。虽然这对于短文本（如推文）可能是正确的，但这种假设通常不适用于长文本（如新闻文章）。此外，贝叶斯图模型通常依赖于吉布斯采样进行参数推断，这可能需要很长时间才能收敛。为了解决这些局限性，我们提出了一种基于生成对抗网的事件提取模型，称为对抗神经事件模型（AEM）。AEM使用Dirichlet先验对事件进行建模，并使用生成器网络来捕获潜在事件的模式。一个隐藏事件被用来区分从潜在事件重建的文档和原始文档。该方法的一个副产品是，由学习的网络生成的特征允许对提取的事件进行可视化。我们的模型已经在两个Twitter数据集和一个新闻文章数据集上进行了评估。实验结果表明，我们的模型优于基线方法在所有的数据集上，与更显着的改善观察到的新闻文章数据集，其中增加了15%的F-测量。
2019-08-25 cs.CL cs.IR cs.LG
Limitations of tensor network approaches for optimization and sampling: A comparison to quantum and classical Ising machines
本文提出结合分支定界与张量网络收缩的确定性低能谱算法，并在 Pegasus、Zephyr 自旋玻璃问题上对比量子退火器和 Simulated Bifurcation，揭示其在大规模优化与多样采样中的局限。
2025-06-16 cond-mat.dis-nn quant-ph
Uncertain fate of fair sampling in quantum annealing
最近，在D-Wave量子退火机上从理论和实验两方面证明了横向场量子退火不能以相等的概率找到所有的基态。特别是，有人提出，更复杂的驱动器哈密顿超越横向领域可能会减轻这一缺点。在这里，我们研究量子退火中的（不）公平采样机制。虽然高阶项可以提高选定的小问题的采样，我们提出了多个反例，其中驱动器超出横向领域的哈密顿算子不删除采样偏差。利用微扰理论，我们解释了为什么会出现这种情况。此外，我们提出了大规模的量子蒙特卡罗模拟自旋玻璃已知的简并在两个空间维度，并证明了公平的采样性能的二次驱动程序项是标准的横向场驱动程序。我们的研究结果表明，量子退火机不太适合采样应用，除非后处理技术，以提高采样应用。
2019-09-21 cond-mat.dis-nn quant-ph
Fair sampling of ground-state configurations of binary optimization problems
虽然已经开发了许多有效的算法来解决二元优化问题，但这些算法通常会产生退化问题的相关解。最值得注意的是，横向场量子退火-目前商业上可用的量子退火机中采用的启发式-已被证明在对解空间进行采样时通常是指数偏置的。在这里，我们提出了一种方法来采样基态（或低能量）配置的二元优化问题。该方法的样本简并状态几乎相等的概率，是基于并行回火蒙特卡罗与等能集群移动的组合。我们说明的方法使用二维伊辛自旋玻璃，以及自旋玻璃的D波系统公司。量子退火机嵌合体拓扑此外，一个简单的启发式近似退化问题的解决方案的数量。
2019-06-26 cond-mat.dis-nn quant-ph
Improved Boltzmann machines with error corrected quantum annealing
玻尔兹曼机是几种深度学习方法的基础，这些方法已成功应用于监督和无监督机器学习任务。这些模型假设数据集是根据玻尔兹曼分布生成的，训练过程的目标是学习最接近输入数据分布的参数集。由于传统采样技术的棘手性，训练这样的模型是困难的，并且使用量子退火机进行采样的提议希望降低采样成本。然而，真实的物理设备将不可避免地与环境耦合，这种耦合的强度会影响量子退火机从中采样的分布的有效温度。为了解决这个问题，如果在更大规模的问题中使用量子退火有一些好处，那么就需要可以有效降低温度的纠错方案，在这种情况下，我们可能会期望设备的有效温度不够低。为此，我们应用嵌套量子退火校正（NQAC）对小的条形和条纹数据集进行无监督学习，并对粗粒度MNIST数据集进行监督学习。对于这两个数据集，我们证明了改进的训练和随之而来的有效的温度降低在较高的噪声水平相对于未编码的情况下。我们还发现更好的整体性能与较长的退火时间，并提供了一个解释的基础上比较模拟量子退火和自旋矢量蒙特卡罗的结果。我们的结果的一个违反直觉的方面是，随着嵌套级别的增加和退火时间的增加，输出分布通常变得不那么像吉布斯，这表明可以在不平衡目标吉布斯分布的情况下实现更好的训练性能。
2020-07-07 quant-ph
Increasing the Hardness of Posiform Planting Using Random QUBOs for Programmable Quantum Annealer Benchmarking
本研究提出将随机离散系数自旋玻璃Ising模型与正形式植入的QUBO融合，构建具有唯一解且难度可调的组合优化问题，用于可编程量子退火机基准测试，发现D-Wave量子退火机在短退火时间下对部分问题求解成功率极高。
2024-11-06 cond-mat.dis-nn cond-mat.stat-mech math.OC
Systematic comparison of deep belief network training using quantum annealing vs. classical techniques
在这项工作中，我们重新审视并扩展了2015年的一项研究，该研究使用D-Wave量子退火机作为采样引擎，以帮助训练深度神经网络。2015年的原始结果使用更新的D-Wave硬件重现。我们系统地将这种量子辅助训练方法与更广泛的经典技术进行了比较，包括：具有不同优化器选择的对比发散;增加步骤数的对比发散（CD-k）;和模拟退火（SA）。我们发现，量子辅助训练仍然优于CD与吉布斯采样为基础的技术;然而，SA是能够匹配的性能的量子辅助训练平凡地使用淬火般的时间表与单扫描在高温下，然后在目标温度。
2020-08-31 quant-ph
Feeding the multitude: A polynomial-time algorithm to improve sampling
各种各样的优化技术，无论是精确的还是启发式的，都倾向于有偏采样。这意味着当试图找到退化布尔优化问题的多个不相关解时，解空间的子集往往是有利的，而在最坏的情况下，一些解永远不能被所使用的算法访问。在这里，我们提出了一个简单的后处理技术，提高采样的任何优化方法，无论是量子或经典。更准确地说，从一个池的几个最佳配置，该算法生成潜在的新的解决方案，通过拒绝免费集群更新在零温度。虽然该方法不是遍历的，并且不能保证可以找到所有的解决方案，但公平采样通常会得到改进。我们通过改进由D-Wave 2X量子退火机产生的指数偏置数据来说明我们的方法的有效性[Phys. Rev. Lett. 118，07052（2017）]，以及来自三维伊辛自旋玻璃的数据。作为研究的一部分，我们还表明，次优状态时，采样得到改善，并讨论在有限的固定温度下的采样。
2019-05-11 cond-mat.dis-nn physics.comp-ph quant-ph
Benchmarking a boson sampler with Hamming nets
本文提出一种基于测量结果网络结构的机器学习协议，用于在有限无碰撞数据下基准测试未知散射矩阵的玻色子采样器，可区分不可区分与可区分玻色子。
2023-05-18 cond-mat.dis-nn physics.data-an quant-ph
Sampling on NISQ Devices: "Who's the Fairest One of All?"
现代NISQ设备受到各种偏差和噪声源的影响，这些偏差和噪声源降低了在这些设备上执行的计算的解决方案质量。在NISQ时代出现的一个自然问题是，这些设备如何公平地采样基态解。为此，我们运行五个公平的采样问题（每个至少有三个基态的解决方案），这是基于量子退火和Grover混合器QAOA算法的门为基础的NISQ硬件。特别地，我们使用七个IBM~Q设备，Aspen-9 Rigetti设备，IonQ设备和三个D-Wave量子退火机。对于每个公平采样问题，我们测量基态概率、每个基态解相对于其他基态解的频率的相对公平性以及由每个硬件提供商给出的总误差。总的来说，我们的结果表明，NISQ设备还没有实现公平的采样。我们还观察到软件栈中的差异，特别关注编译技术，说明为了实现前端（即量子线路描述）和后端编译的无缝集成，还需要做哪些工作。
2021-07-14 cond-mat.stat-mech cs.ET quant-ph
Perils of Embedding for Sampling Problems
在经典和量子系统中的热取样技术的进步将加深对基本物理学的理解。不幸的是，人们往往不得不完全依赖于不精确的数值模拟，由于计算的配分函数在许多感兴趣的系统的棘手性。新兴的硬件，如量子退火机，为这种研究提供了新的工具，但众所周知，在这种设备上研究一般的非原生系统需要图子嵌入，代价是引入额外的变量。嵌入采样的效果比优化更明显;优化只关心基态物理，而采样需要考虑所有能量的状态。我们认为，随着系统大小或嵌入大小的增长，样本在感兴趣的子空间（逻辑子空间）中的机会可以被指数抑制。虽然这种结垢的严重性可以通过有利的参数选择来减轻，但某些物理约束（例如固定的温度和耦合范围）对目前可行的情况提供了严格的限制。此外，我们表明，在一些实际和合理的假设下，任何类型的后处理将样本投影回逻辑子空间都会使所得统计数据产生偏差。我们引入了一个新的这样的技术，基于reservation，大大优于多数表决，这是失败的相当戏剧性地保持分布特性。
2020-04-09 cond-mat.stat-mech quant-ph
