A General Approach to Dropout in Quantum Neural Networks
针对量子神经网络潜在过拟合问题,本文提出通用量子 dropout 框架,分析多种策略并基于过参数化理论给出最大 dropout 概率指导。
2023-10-06 quant-ph
Predicting quantum learnability from landscape fluctuation
针对变分量子计算中可训练性与可表达性的冲突,提出通过比较训练景观波动预测量子神经网络可学习性的高效指标,无需昂贵训练即可统一评估多种因素影响,并经数值实验与理论证明验证其有效性。
2024-11-14 cond-mat.other cond-mat.str-el quant-ph
Laziness, Barren Plateau, and Noise in Machine Learning
Pritzker School of Molecular Engineering, The University of Chicago(芝加哥大学普利兹克分子工程学院);Chicago Quantum Exchange(芝加哥量子交易所);Kadanoff Center for Theoretical Physics, The University of Chicago(芝加哥大学卡达诺夫理论物理中心);qBraid Co.(qBraid公司)
本文定义并区分了机器学习中的“惰性”与量子“贫瘠高原”现象,借助神经正切核理论分析过参数化区域中的损失景观与噪声影响,证明变分量子算法在过参数化下具有噪声鲁棒性,为近期量子算法提供理论支持。
2022-06-19 cs.AI cs.LG quant-ph
Defining Quantum Neural Networks via Quantum Time Evolution
University of Arkansas(阿肯色大学)
本文提出了一种基于时间演化和哈密顿量的量子信息神经网络的基本算法。传统的神经网络算法(ANN)计算量大。例如,在图像分类中,使用经典信息逐个像素地表示图像需要大量的计算存储器资源。因此,探索以不同的信息范式表示图像的方法是重要的。量子神经网络(QNN)已经被探索了20多年。目前基于变分量子电路的前沿工作是专门针对量子计算机的连续变量(CV)模型定义的。在这项工作中,提出了一个模型,该模型在更基本的层面上定义,因此可以被量子计算模型的任何变体继承。本文还提出了一种量子反向传播算法来训练我们的QNN模型,并在量子计算机模拟的MNIST数据集上验证了该算法。
2020-03-21 cs.LG quant-ph stat.ML
A unifying primary framework for quantum graph neural networks from quantum graph states
该研究提出基于量子图态的量子图神经网络统一框架,证明图态可作为参数化量子电路表征神经网络,也可作为底层结构在量子计算机上构建图神经网络,为量子图神经网络的理解与实现提供统一基础。
2024-02-21 cs.LG quant-ph
Quantum Graph Neural Networks
X, The Moonshot Factory(X,登月工厂);Google Research(谷歌研究院)
我们介绍了量子图神经网络(QGNN),一类新的量子神经网络ansatze是定制的,以表示具有图形结构的量子过程,特别适合于在量子网络上的分布式量子系统上执行。除了这类通用的ansatze,我们还介绍了进一步的专用架构,即量子图递归神经网络(QGRNN)和量子图卷积神经网络(QGCNN)。我们提供了QGNNs的四个示例应用:学习量子系统的哈密顿动力学,学习如何在量子网络中创建多体纠缠,谱聚类的无监督学习和图同构分类的监督学习。
2019-09-26 cs.LG quant-ph
Learning Quantum Processes with Memory -- Quantum Recurrent Neural Networks
University of British Columbia(不列颠哥伦比亚大学);Stewart Blusson Quantum Matter Institute(斯图尔特·布鲁森量子物质研究所);University of Cambridge(剑桥大学)
循环神经网络在研究和工业中都起着重要的作用。随着量子机器学习的出现,循环神经网络的量化最近变得相关。我们提出了完全量子循环神经网络,耗散量子神经网络的基础上,能够学习一般的因果量子自动机。提出了一种量子训练算法,并对以保真度为代价函数的产品输出情况进行了经典仿真。因此,我们证明了这些算法的潜力,学习复杂的量子过程与内存的示例性延迟通道,时间演化的量子态受时间依赖的哈密顿量,和高,低频率的噪声缓解。数值模拟表明,我们的量子循环神经网络表现出惊人的能力,从小训练集进行概括。
2023-01-19 cs.LG quant-ph
QDCNN: Quantum Dilated Convolutional Neural Network
IBM Corporation(国际商业机器公司)
近年来,随着量子技术的快速发展,量子机器学习引起了人们的极大兴趣。特别是,一个家庭的混合量子经典神经网络,包括经典和量子元素,已被大量探索的目的,以提高经典神经网络的性能。在本文中,我们提出了一种新的混合量子经典算法称为量子扩张卷积神经网络(QDCNN)。我们的方法将在现代深度学习算法中广泛应用的扩张卷积的概念扩展到混合神经网络的上下文中。所提出的QDCNN能够在量子卷积过程中捕获更大的上下文,同时降低计算成本。我们在MNIST和Fashion-MNIST数据集上进行了图像识别任务的实证实验,并证明与现有的量子卷积神经网络(QCNN)相比,QDCNN模型在准确性和计算效率方面通常具有更好的性能。
2021-10-29 cs.LG quant-ph
On the explainability of quantum neural networks based on variational quantum circuits
Istanbul Medeniyet University(伊斯坦布尔梅德尼耶特大学)
本文证明基于变分量子线路的量子神经网络可表示为岭函数的线性组合,从而将其可解释性研究转化为岭函数线性组合的逼近问题。
2024-10-23 cs.LG quant-ph
Quantum Deformed Neural Networks
Qualcomm AI Research(高通人工智能研究院)
我们开发了一个新的量子神经网络层,旨在量子计算机上高效运行,但当它纠缠输入状态的方式受到限制时,可以在经典计算机上模拟。我们首先要问的是,一个经典的神经网络架构,无论是全连接的还是卷积的,如何使用量子相位估计在量子计算机上执行。然后,我们将经典层变形为量子设计,将激活和权重纠缠成量子叠加。虽然完整的模型需要量子计算机提供的指数加速,但一类有限的设计代表了仍然使用量子特征的有趣的新经典网络层。我们证明了这些量子变形神经网络可以在正常数据(如图像)上训练和执行,甚至可以在标准架构上进行适度的改进。
2020-11-25 cs.LG quant-ph
Quantum Neural Networks: Concepts, Applications, and Challenges
Korea University(高丽大学)
量子深度学习是使用量子计算技术来训练深度神经网络的研究领域。深度学习和量子计算的研究主题和方向长期以来一直是分离的,但随着量子线路可以像人工神经网络一样工作的发现,量子深度学习研究被广泛采用。本文介绍了量子深度学习的背景和基本原理,并介绍了主要成果。在此之后,本文从多个角度讨论了量子深度学习研究面临的挑战。最后,本文提出了量子深度学习的各种未来研究方向和应用领域。
2021-08-02 cs.LG quant-ph
Neural Fourier Surrogates for Data Reuploading Quantum Neural Networks
IonQ Inc.(IonQ公司)
本文提出神经傅里叶代理模型(NFS),一种随机经典神经网络,用于在相同傅里叶级数支撑上学习系数,作为评估数据重上传量子神经网络性能的自然经典基线,并在表格基准上展现出竞争力。
2026-10-02 cs.LG quant-ph
Quantum Deep Learning: Sampling Neural Nets with a Quantum Annealer
School of Computing Science(计算科学学院);University of Glasgow(格拉斯哥大学);OxBrdgRbtx Ltd(OxBrdgRbtx有限公司)
我们证明了将经典学习的深度神经网络框架为基于能量的模型的可行性,该模型可以在一步量子退火机上处理,以利用快速采样时间。我们提出的方法,以克服两个障碍的高分辨率图像分类的量子处理单元(QPU):所需的数量和二进制性质的模型状态。通过这种新方法,我们成功地将卷积神经网络转移到QPU,并显示出至少一个数量级的分类加速潜力。
2021-07-19 cs.LG quant-ph
Learning to learn with quantum neural networks via classical neural networks
Google LLC(谷歌有限责任公司);University of Waterloo(滑铁卢大学);University of Michigan(密歇根大学)
量子神经网络(QNN)是一种很有前途的变分学习范式,可应用于近期的量子处理器,但它们仍然面临着一些重大挑战。一个这样的挑战是找到良好的参数初始化算法,确保快速和一致的收敛到局部最小的参数化量子线路景观。在这项工作中,我们训练经典神经网络来协助量子学习过程(也称为元学习),以快速找到几类量子变分算法的参数景观中的近似最优解。具体来说,我们训练经典的递归神经网络,以找到近似最优参数的成本函数的量子近似优化算法(QAOA)的最大切割,QAOA的Sherrington-Kirkpatrick伊辛模型,并为哈伯德模型的变分量子本征求解器的少量查询。通过初始化其他优化器的参数值建议的经典神经网络,我们证明了一个显着的改善,达到给定的精度所需的优化迭代的总数。我们进一步证明了神经网络学习的优化策略在一系列问题实例大小中具有很好的泛化能力。这开启了在小的、经典可模拟的问题实例上进行训练的可能性,以便在量子设备上初始化更大的、经典难以模拟的问题实例,从而显著减少所需的量子经典优化迭代的数量。
2019-07-11 cs.LG quant-ph
On Neural Quantum Support Vector Machines
Bundesdruckerei GmbH(联邦印刷有限公司)
本文引入了带有量子核的神经量子支持向量机,并将先前提出的四种神经支持向量机训练算法的可行性与结果扩展至该量子设定。
2023-11-24 cs.LG quant-ph
Quantum neural networks facilitating quantum state classification
Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校)
本文提出结合问题启发电路与定制及预定义ansätz的量子神经网络,构建资源高效的量子态分类方法,在二分类和多分类任务中验证了其有效性,为多量子比特量子态分类奠定基础。
2025-04-09 cs.LG quant-ph
An Invitation to Distributed Quantum Neural Networks
University of Technology Sydney(悉尼科技大学)
深度神经网络已经成为最有前途的机器学习技术之一。大规模训练这些模型通常是并行的,这就产生了分布式深度学习的概念。分布式技术通常用于训练大型模型或大型数据集,无论是出于必要还是仅仅为了速度。另一方面,量子机器学习是机器学习和量子计算之间的相互作用。它旨在了解采用量子设备开发新的学习算法以及改进现有算法的优势。在量子机器学习中大量探索的一组架构是量子神经网络。在这篇综述中,我们考虑了分布式深度学习的思想,因为它们适用于量子神经网络。我们发现,量子数据集的分布与经典数据集相比,量子模型的分布具有更多的相似性,尽管量子数据的独特方面给这两种方法带来了新的漏洞。我们回顾了分布式量子神经网络的最新发展,包括最近的数值实验和电路切割的概念。
2022-11-14 cs.LG quant-ph
A Study on Quantum Neural Networks in Healthcare 5.0
Techno International New Town(Techno新镇国际学院)
本文通过文献综述与案例分析,研究量子神经网络及量子机器学习对 Healthcare 5.0 的作用,指出研究空白、潜在挑战与未来方向。
2024-12-03 cs.LG quant-ph
What is my quantum computer good for? Quantum capability learning with physics-aware neural networks
Sandia National Laboratories(桑迪亚国家实验室)
本文提出一种量子物理感知的神经网络架构,结合图神经网络与错误物理近似,用于学习量子计算机能力模型,在实验和模拟数据上相比CNN模型将平均绝对误差降低约50%。
2025-02-26 cs.LG quant-ph
The power of quantum neural networks
IBM Quantum, IBM Research(IBM量子,IBM研究院);University of KwaZulu-Natal(夸祖鲁-纳塔尔大学);ETH Zurich(苏黎世联邦理工学院)
容错量子计算机提供了通过加速计算或改进模型可扩展性来显著改善机器学习的前景。然而,在短期内,量子机器学习的好处并不那么明显。理解量子模型的可表达性和可训练性,特别是量子神经网络,需要进一步的研究。在这项工作中,我们使用信息几何的工具来定义量子和经典模型的可表达性的概念。有效的尺寸,这取决于Fisher信息,是用来证明一个新的广义界,并建立一个强大的措施的表达能力。我们表明,量子神经网络能够实现比可比的经典神经网络更好的有效维数。为了评估量子模型的可训练性,我们将费舍尔信息谱与贫瘠的高原(即梯度消失的问题)联系起来。重要的是,某些量子神经网络可以表现出对这种现象的弹性,并且由于其有利的优化景观,可以比经典模型更快地进行训练,这些优化景观由更均匀分布的Fisher信息谱捕获。我们的工作是第一个证明精心设计的量子神经网络通过更高的有效维度和更快的训练能力提供了优于经典神经网络的优势,我们在真实的量子硬件上验证了这一点。
2020-10-30 cs.LG quant-ph
QuCNN : A Quantum Convolutional Neural Network with Entanglement Based Backpropagation
Pacific Northwest National Laboratory(太平洋西北国家实验室);Fordham University(福特汉姆大学)
量子机器学习仍然是量子计算中一个高度活跃的领域。这些方法中的许多方法已经将经典方法适应于量子设置,例如QuantumFlow等。我们推动了这一趋势,并展示了经典卷积神经网络对量子系统的适应-即QuCNN。QuCNN是一个基于参数化多量子态的神经网络层,计算每个量子滤波器状态和每个量子数据状态之间的相似性。使用QuCNN,可以通过单个辅助量子比特量子例程实现反向传播。通过在MNIST图像的一个小子集上应用具有数据状态和滤波器状态的卷积层,比较反向传播的梯度,并针对理想目标状态训练滤波器状态,来验证QuCNN。
2022-10-11 cs.LG quant-ph
Distributed Quantum Neural Networks via Partitioned Features Encoding
Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院)
本文提出通过分布式量子神经网络提升分类性能,利用多个小网络的期望值生成预测,实验表明在MNIST数据集上达到96%以上准确率,降低了硬件需求。
2024-01-08 cs.LG quant-ph
A Hybrid Quantum-Classical Neural Network Architecture for Binary Classification
University of Florida(佛罗里达大学);Oak Ridge National Laboratory(橡树岭国家实验室)
深度学习是当今机器学习中使用的最成功、影响最深远的策略之一。然而,神经网络的规模和效用仍然受到当前用于训练它们的硬件的极大限制。随着传统计算机迅速接近物理极限,这些问题变得越来越紧迫,这将在未来几年减缓性能的提高。出于这些原因,科学家们已经开始探索替代计算平台,如量子计算机,用于训练神经网络。近年来,变分量子电路已经成为在有噪声的中间尺度量子设备上进行量子深度学习的最成功的方法之一。我们提出了一种混合量子-经典神经网络结构,其中每个神经元是一个变分量子电路。我们经验性地分析了这种混合神经网络在一系列二进制分类数据集上的性能,使用模拟的通用量子计算机和最先进的通用量子计算机。在模拟硬件上,我们观察到,混合神经网络实现了大约10%的分类精度和20%的成本最小化比一个单独的变量量子电路。在量子硬件上,我们观察到每个模型只有在量子位“与”门计数足够小时才能表现良好。
2022-01-11 cs.LG quant-ph
Post-variational quantum neural networks
Centre for Quantum Technologies, National University of Singapore(新加坡国立大学量子技术中心);Department of Computer Science, National University of Singapore(新加坡国立大学计算机科学系)
针对NISQ变分算法的贫瘠高原问题,本文提出将参数转移至经典端并用凸规划优化量子电路集成的后变分量子神经网络,分析其误差传播,实验显示性能优于变分算法并可比两层神经网络。
2024-04-05 cs.LG quant-ph
The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning
Qualcomm AI Research, Qualcomm Technologies Netherlands B.V.(高通人工智能研究部,高通技术荷兰公司)
在这项工作中,我们开发了一种用于深度学习的量子场论形式主义,其中输入信号以高斯状态编码,高斯过程的泛化编码了智能体对输入信号的不确定性。我们展示了如何将线性和非线性层表示为酉量子门,并将量子模型的基本激发解释为粒子,称为“Hintons”。除了为研究神经网络开辟新的视角和技术之外,量子公式非常适合光学量子计算,并提供了可以在这些设备上有效运行的神经网络的量子变形。最后,我们讨论了量子形变模型的一个适合于经典模拟的半经典极限。
2021-03-08 cs.LG quant-ph
Stochastic Neural Networks for Quantum Devices
1) Institute for Information Processing (tnt/L3S), Leibniz Universit\"at Hannover, Germany;2) Institute for Theoretical Physics (ITP/L3S), Leibniz Universit\"at Hannover, Germany
本文提出利用量子电路实现随机神经网络,结合优化算法构建多种模型,并用于Grover算法实现量子生成式人工智能。
2026-08-14 cs.LG quant-ph
Nonparametric Regression Quantum Neural Networks
Korea Advanced Institute of Science and Technology(韩国高等科学技术研究院);Keio University(庆应义塾大学)
在前两篇论文\cite{dndiep3},\cite{dndiep4}中,第一作者构造了最小二乘量子神经网络(LS-QNN),多项式插值量子神经网络(PI-QNN),参数统计量子神经网络如:精益回归量子神经网络(LR-QNN),多项式回归量子神经网络(PR-QNN),卡方量子神经网络($χ^2$ -QNN)。我们观察到,该方法也适用于使用非参数统计的情况。本文分析并实现了线性非参数回归量子神经网络(LNR-QNN)、多项式非参数回归量子神经网络(PNR-QNN)等QNN的非参数检验。该算法通过高斯-约当消去量子神经网络(GJE-QNN)实现,训练规则是使用高概率置信区间。
2020-02-07 cs.ET cs.LG quant-ph
Statistical Tests and Confidential Intervals as Thresholds for Quantum Neural Networks
Thang Long University(升龙大学);Institute of Mathematics, Vietnam National Academy of Science and Technology(越南国家科学技术院数学研究所)
作者\cite{dndiep3}的近期工作中,分析并构建了一些基本的量子神经网络,发表在《国际理论物理杂志》(2020)上。特别讨论了最小二乘问题(LSP)和线性回归问题(LRP)。在第二篇论文中,我们继续分析和构造了最小二乘量子神经网络(LS-QNN)、多项式插值量子神经网络(PI-QNN)、多项式回归量子神经网络(PR-QNN)和卡方量子神经网络($χ^2$ -QNN)。我们使用相应的解决方案或测试作为相应训练规则的阈值。
2020-01-30 cs.ET cs.LG quant-ph
A Leap among Quantum Computing and Quantum Neural Networks: A Survey
近年来,量子计算在可用资源和算法开发方面取得了巨大的进步。利用量子现象来解决计算问题的能力是一个长期的梦想,自80年代末以来一直引起科学界的兴趣。在这种情况下,我们提出我们的贡献。首先,我们介绍与量子计算相关的基本概念,然后我们解释实现门模型和绝热量子计算范例的技术的核心功能。最后,我们收集,比较和分析了当前最先进的量子感知器和量子神经网络实现。
2022-01-31 cs.ET quant-ph stat.ML
Continuous-variable quantum neural networks
Xanadu(Xanadu公司);Massachusetts Institute of Technology(麻省理工学院)
我们介绍了在量子计算机上构建神经网络的一般方法。量子神经网络是一种建立在连续变量(CV)架构中的变分量子线路,其以连续的自由度(例如电磁场的振幅)编码量子信息。该电路包含一个分层结构的连续参数化的门,这是通用的CV量子计算。仿射变换和非线性激活函数是神经网络中的两个关键元素,在量子网络中分别使用高斯和非高斯门来实现。非高斯门提供了模型的非线性和通用性。由于CV模型的结构,CV量子神经网络可以编码高度非线性变换,同时保持完全酉性。我们展示了如何将经典网络嵌入到量子形式主义中,并提出了各种专用模型的量子版本,如卷积网络,递归网络和残差网络。最后,我们提出了许多建模实验与草莓领域的软件库。这些实验,包括用于欺诈检测的分类器,生成俄罗斯方块图像的网络,以及混合经典量子自动编码器,证明了CV量子神经网络的能力和适应性。
2018-06-18 cs.LG cs.NE quant-ph
The cross-sectional stock return predictions via quantum neural network and tensor network
Nomura Securities Co., Ltd.(野村证券股份有限公司);Osaka University(大阪大学);Graduate School of Engineering Science, Osaka University(大阪大学工学研究科)
本文比较量子神经网络、张量网络与经典模型在日本股市的收益预测表现,发现张量网络整体优于经典基准,且两类量子相关模型在近期市场中表现更佳,显示其捕捉非线性特征的能力。
2024-02-27 cs.LG q-fin.CP quant-ph
Are classical neural networks quantum?
Horia Hulubei National Institute for R&D in Physics and Nuclear Engineering(霍里亚·胡卢贝伊国家物理与核工程研发研究所)
神经网络正被用来改进许多粒子系统的状态空间的探测,作为对波函数的近似,并且为了避免量子蒙特卡罗的反复出现的符号问题。人们可能会问,通常的经典神经网络是否有一些实际的隐藏量子特性,使它们成为高度耦合量子问题的合适工具。我在这里讨论是什么使一个系统量子化,以及在多大程度上我们可以将一个神经网络解释为具有量子残余。
2022-05-31 cond-mat.dis-nn cs.LG hep-th
Neural quantum kernels: training quantum kernels with quantum neural networks
研究提出通过训练量子神经网络构建神经量子核(包括神经EQKs和PQKs),只需构建一次核矩阵,在噪声条件下表现出色,缓解指数集中并提升泛化能力。
2025-03-05 quant-ph
Quantum Codes from Neural Networks
University of Cambridge(剑桥大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
我们研究了在量子信息处理任务的背景下,应用神经网络作为多体量子系统的变分状态分析器的有用性。在神经网络态模拟中,量子态的复振幅函数由神经网络计算。事实证明,该假设捕获的由此产生的多体纠缠结构足够丰富,可以描述各种感兴趣的物理系统的基态和么正动力学。在本文中,我们开始研究量子信息处理任务中的神经网络状态。我们证明了神经网络态能够有效地表示量子码,用于量子信息传输和量子纠错,为神经网络态描述多体纠缠提供了进一步的证据。具体地说,我们得到了以下主要结果:a)神经网络态对于两个重要的量子信道,即广义振幅阻尼信道和去相位信道,产生了具有高相干信息的量子码。这些代码优于所有其他已知的代码,这些信道,不能使用直接参数化的量子态。b)对于去极化信道,神经网络状态分析器可靠地找到由重复码给出的最佳已知码。c)神经网络状态可以用来表示绝对最大纠缠态,这是一种特殊类型的量子纠错码。在所有这三种情况下,神经网络的状态ananterior提供了一个有效的和通用的手段,这些高度纠缠态的变分参数化。
2019-10-24 cond-mat.dis-nn cs.AI cs.LG
Neural-network Generated Quantum State Can Mitigate the Barren Plateau in Variational Quantum Circuits
The University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校)
本研究通过神经网络生成量子态来缓解变分量子电路中的贫瘠高原问题。
2025-11-27 quant-ph
Quantum Neural Networks for Power Flow Analysis
Delft University of Technology(代尔夫特理工大学)
本文研究量子与混合量子-经典神经网络在潮流分析中的应用,通过4节点和33节点系统实验表明混合模型在泛化、鲁棒性和训练稳定性等方面优于纯量子与经典神经网络。
2024-03-10 cs.LG cs.SY eess.SY
Exploring Quantum Neural Networks for the Discovery and Implementation of Quantum Error-Correcting Codes
本文研究用量子神经网络发现和实现量子纠错码,通过改进结构避免贫瘠高原,成功实现比特翻转纠错和振幅阻尼恢复,并用于发现特定信道的新加密协议。
2023-04-13 quant-ph
Role of interference and entanglement in quantum neural processing
讨论了干涉和纠缠在量子神经处理中的作用。与量子计算相比,量子神经处理不存在使用指数资源作为纠缠缺失代价的问题。这是因为相应的系统,就像任何现代经典人工神经系统一样,不能精确地实现功能,而是通过对小样本集的训练来近似它们。它可以允许光学地实现量子神经系统,因为在这种情况下,不需要光学设备(分束器等)的指数资源。另一方面,纠缠在量子神经处理中的作用仍然非常重要,因为它实际上关联了量子比特态:这是量子神经记忆模型的必要特征。
2001-12-23 quant-ph
Efficient Learning for Deep Quantum Neural Networks
Leibniz Universität Hannover(汉诺威莱布尼茨大学)
神经网络在研究和工业领域都取得了广泛的成功,随着量子技术的即将到来,设计用于完全量子学习任务的量子神经网络现在是一个至关重要的挑战。在这里,我们提出使用量子神经元作为构建块的量子前馈神经网络能够通用的量子计算。我们使用保真度作为成本函数描述了这些网络的有效训练,并提供了经典和有效的量子实现。我们的方法允许快速优化,减少内存需求:所需的qudits数量仅与宽度相关,允许深度网络的优化。我们基准我们的建议,学习一个未知的单一的量子任务,并发现显着的泛化行为和显着的鲁棒性噪声训练数据。
2019-02-27 cs.GT cs.LG physics.comp-ph
On quantum neural networks
量子神经网络作为一个结合了经典神经计算和量子计算的新领域,在21世纪初的早期定义相当模糊和令人满意。2020年,量子神经网络被广泛定义为一种模型或机器学习算法,将量子计算的功能与人工神经网络相结合,这剥夺了量子神经网络的根本重要性。我们认为,量子神经网络的概念应该定义在其最一般的功能,作为一种工具,代表一个任意的量子过程的振幅。我们的推理是基于量子力学中的费曼路径积分公式的使用。这种方法已被用于许多研究量子宇宙学的主要问题,如宇宙的起源。事实上,我们的宇宙是否是一台量子计算机的问题是由Seth Lloyd提出的,他给出了肯定的答案,但我们认为宇宙可以被认为是一个量子神经网络。
2021-04-12 quant-ph
A neural-network-like quantum information processing system
Hopfield神经网络和全息神经网络是在传统计算机上成功模拟的模型。本文从这些模型出发,设计了一个类似的基本量子信息处理系统。神经-量子相互作用可以调节量子计算结果的“塌缩”读出。本文全面介绍了量子物理框架下的联想处理和记忆存储。
2003-05-13 quant-ph
Quantum neural network
量子神经网络是人工神经网络的一种,它可以利用量子信息处理原理来构造。QNN的输入和输出量子比特可以通过不同偏振态的光模实现,QNN的权值可以通过分束器和移相器实现
2001-07-05 quant-ph
Let the Quantum Creep In: Designing Quantum Neural Network Models by Gradually Swapping Out Classical Components
The University of Melbourne(墨尔本大学);The University of Western Australia(西澳大学)
提出逐步替换经典层为量子层的框架,在MNIST等数据集上实验,揭示量子组件对神经网络性能的影响,为融合经典与量子优势的模型设计提供新启示。
2024-09-26 cs.AI cs.CV cs.LG
CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks
Danbury Math Academy(丹bury数学学院)
针对传统量子神经网络静态结构限制动态智能的问题,提出液态量子神经网络LQNet与连续时间循环量子神经网络CTRQNet,在CIFAR 10二分类任务上准确率提升高达40%,为量子机器学习黑盒提供新启示。
2025-08-13 cs.AI cs.LG cs.NE
Medical image classification via quantum neural networks
机器学习为各种应用提供了强大的工具,包括通过医学图像分类进行疾病诊断。近年来,量子机器学习技术已经被提出作为一种潜在地提高机器学习应用性能的方法,通过线性代数和量子神经网络的量子算法。在这项工作中,我们研究了两种不同的量子神经网络技术的医学图像分类:第一,通过采用量子线路的经典神经网络的训练,第二,通过设计和训练量子正交神经网络。我们基准我们的技术在两种不同的成像方式,视网膜彩色眼底图像和胸部X射线。结果显示了这种技术的前景和当前量子硬件的局限性。
2022-12-23 quant-ph
Quantum-enhanced neural networks for quantum many-body simulations
Graduate School of China Academy of Engineering Physics(中国工程物理研究院研究生院)
针对神经量子态在优化、可扩展性和表达性上的局限,提出结合参数化量子电路与神经网络的量子-神经混合框架,在自旋系统和量子化学问题中实现了比纯NQS更低的相对能量,展现了量子多体模拟潜力。
2025-01-21 quant-ph
Quantum Neural Architecture Search with Quantum Circuits Metric and Bayesian Optimization
KAIST(韩国科学技术院);Stanford University(斯坦福大学);Aalto University(阿尔托大学);HCMUT(胡志明市理工大学)
本文提出一种基于量子门距离的量子电路度量,并结合高斯过程贝叶斯优化实现量子神经架构自动搜索,在量子生成对抗网络、MaxCut和量子傅里叶变换任务上显著优于基准。
2022-06-28 cs.IT cs.LG math.IT
Quantum-Inspired Weight-Constrained Neural Network: Reducing Variable Numbers by 100x Compared to Standard Neural Networks
Clemson University(克莱姆森大学);Emory University(埃默里大学)
受量子启发的权重约束神经网络通过减少变量数量提升效率,增强对抗鲁棒性,适用于工业应用。
2026-02-19 quant-ph
The quest for a Quantum Neural Network
随着近几十年来量子信息领域取得的巨大成功,人们开始对量子神经网络(QNN)模型进行“探索”,以便将量子计算与神经计算的惊人特性相结合。本文提出了一个系统的方法,QNN的研究,到目前为止,包括一个聚合的想法和建议。它概述了将神经计算的非线性、耗散动力学和量子计算的线性、幺正动力学相结合的挑战。它建立了一个有意义的QNN的要求,并根据这些要求审查现有的文献。结果发现,没有一个潜在的QNN模型的建议充分利用量子物理和计算在神经网络中的优势。展望了可能的发展方向,强调了基于耗散量子计算的开放量子神经网络的思想。
2014-08-29 quant-ph
A Quantum Convolutional Neural Network for Image Classification
人工神经网络在从图像识别到视频理解的许多领域都取得了巨大的成功。然而,其对计算和存储资源的高要求限制了处理高维大数据的进一步发展。近年来,量子计算的进展表明,在量子处理器上构建神经网络是解决这一问题的潜在方案。在本文中,我们提出了一种新的神经网络模型,称为量子卷积神经网络(QCNN),旨在利用量子系统的计算能力来加速经典的机器学习任务。所设计的QCNN基于可实现的量子线路,具有与经典卷积神经网络相似的结构。在MNIST数据集上的数值模拟结果验证了该模型的有效性。
2021-08-04 quant-ph
Neural-network quantum state tomography
我们重新审视了神经网络技术在量子态层析成像中的应用。我们确认,正性约束可以成功地实现与训练的网络,从标准的前馈神经网络的输出转换到有效的描述量子态。任何标准的神经网络架构都可以用我们的方法来适应。我们的研究结果为在各种类型的噪声下使用最先进的深度学习方法进行量子态重建提供了可能性。
2022-06-14 quant-ph
Quantum Methods for Neural Networks and Application to Medical Image Classification
量子机器学习技术已经被提出作为一种潜在地增强机器学习应用性能的方法。本文介绍了两种新的神经网络量子方法。第一个是量子正交神经网络,它是基于量子金字塔电路作为实现正交矩阵乘法的构建块。我们提供了一种有效的方法来训练这样的正交神经网络,新的算法详细的经典和量子硬件,其中两者都被证明比以前已知的训练算法的规模渐近更好。第二种方法是量子辅助神经网络,其中使用量子计算机来执行内积估计以用于经典神经网络的推理和训练。然后,我们提出了广泛的实验应用于医学图像分类任务使用当前最先进的量子硬件,在那里我们比较不同的量子方法与经典的,在真实的量子硬件和模拟器。我们的研究结果表明,量子和经典神经网络产生了相似的准确度,支持量子方法在解决视觉任务方面的承诺,因为更好的量子硬件的出现。
2022-12-14 quant-ph
Quantum neural networks driven by information reservoir
本研究关注量子神经网络单元的动力学,以研究简单神经计算任务的适用性。更具体地说,我们研究了一个相互作用的自旋模型的动力学选择作为一个候选人的量子感知器封闭和开放量子系统。我们采用一个碰撞模型,可以检查马尔可夫和非马尔可夫动力学的量子系统。我们表明,我们的量子神经网络(QNN)单元具有一个稳定的输出量子态与环境中携带的信息内容。通过进行数值模拟,可以比较存在和不存在量子记忆效应的动力学。我们发现,我们的QNN单元是适合于实现一般的神经计算任务与马尔可夫信息环境和量子记忆效应的输出状态的稳定性造成的并发症。
2017-11-22 quant-ph
Building quantum neural networks based on swap test
人工神经网络是一种模拟人脑的重要方法,它由多个神经元在不同层次上组成。通常,一个神经元有两个操作:一个是线性的,另一个是非线性的。线性操作是内积,非线性操作由激活函数表示。在这项工作中,我们介绍了一种量子神经元,其输入和输出是量子态。量子神经元的内积和激活算符可以通过量子线路实现。在量子神经元的基础上,提出了一种神经元间权值均为量子态的量子神经网络模型。我们还构造了一个量子线路来实现这个量子神经网络模型。同时提出了一种学习算法。我们从理论上证明了学习算法的有效性,并从数值上证明了量子神经网络的潜力。
2019-06-19 quant-ph