Reinforcement learning for optimization of variational quantum circuit architectures
University of Innsbruck(因斯布鲁克大学);Warsaw University of Technology(华沙理工大学);Leiden University(莱顿大学)
变分量子本征求解器(VQE)的研究近年来一直是人们关注的焦点,因为它们可能会导致近期量子器件的实际应用。然而,它们的性能取决于所使用的变分模拟器的结构,这需要平衡相应电路的深度和表现力。近年来,已经引入了各种VQE结构优化方法,但机器学习的能力,以帮助这个问题还没有得到充分的研究。在这项工作中,我们提出了一种强化学习算法,自主探索可能的ansze空间,识别仍然产生准确的地面能量估计的经济电路。该算法是内在的动机,它逐步提高结果的准确性,同时最大限度地减少电路深度。我们展示了我们的算法估计氢化锂(LiH)的基态能量的问题上的性能。在这个著名的基准问题中,我们实现了化学精度,以及电路深度方面的最新结果。
2021-03-30 cs.AI quant-ph
Reinforcement learning-assisted quantum architecture search for variational quantum algorithms
本文提出基于强化学习的量子架构搜索方法,利用张量编码、搜索约束、提前终止和DDQN自动寻找短而准的变分量子电路,并在无噪声与含噪场景中验证其优势。
2024-10-01 cs.AI cs.LG quant-ph
Evaluating Parameter-Based Training Performance of Neural Networks and Variational Quantum Circuits
LMU Munich(慕尼黑大学)
本文在监督与强化学习任务上比较神经网络和变分量子电路,发现变分量子电路能以显著更少的参数达到相近性能,但训练时间更长,并展望其在未来机器学习任务中的优势。
2025-04-09 cs.AI cs.LG quant-ph
Quantum Multi-Agent Reinforcement Learning via Variational Quantum Circuit Design
Korea University(高丽大学);Hallym University(翰林大学)
近年来,量子计算(QC)得到了工业界和学术界的广泛关注。特别是,在各种QC研究主题中,变分量子线路(VQC)使量子深度强化学习(QRL)成为可能。许多关于QRL的研究表明,QRL在训练参数数量的限制下优于经典的强化学习方法。本文将QRL扩展并证明为量子多智能体RL(QMARL)。然而,QRL到QMARL的扩展并不简单,这是由于经典多智能体RL(MARL)中的噪声中间尺度量子(NISQ)和非平稳特性的挑战。因此,本文提出了集中训练和分散执行(CTDE)QMARL框架,通过设计新的VQC框架,以应对这些问题。为了证实QMARL框架,本文在单跳环境中进行了QMARL演示,其中边缘代理将数据包卸载到云。大量的实验表明,所提出的QMARL框架比经典框架提高了57.7%的总回报。
2022-03-20 cs.ET cs.LG quant-ph
Optimizing Vehicular Networks with Variational Quantum Circuits-based Reinforcement Learning
York University(约克大学)
本文提出基于变分量子电路的多目标强化学习框架,用于车载网络中的网络选择与自动驾驶决策,相比传统深度Q网络在收敛速度和奖励上均有显著提升。
2024-05-29 cs.AI cs.LG cs.NI
Monte Carlo Tree Search based Hybrid Optimization of Variational Quantum Circuits
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);St. Kliment Ohridski University of Sofia(索非亚圣克里门特·奥赫里德大学);Max Planck Institute for the Physics of Complex Systems(马克斯·普朗克复杂系统物理研究所);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
变分量子算法站在近期和未来容错量子设备模拟的最前沿。虽然大多数变分量子算法只涉及连续优化变量,但有时可以通过添加某些离散优化变量来显着增强变分预测的表示能力,如广义量子近似优化算法(QAOA)所示。然而,混合离散-连续优化问题的广义QAOA提出了一个挑战的优化。我们提出了一种新的算法称为MCTS-QAOA,它结合了蒙特卡罗树搜索方法和改进的自然策略梯度求解器,分别优化量子线路中的离散和连续变量。我们发现,MCTS-QAOA具有良好的抗噪性能,并优于以往的算法在具有挑战性的情况下,广义QAOA。
2022-03-30 cond-mat.quant-gas cs.LG physics.comp-ph
Reinforcement Learning for Variational Quantum Circuits Design
Politecnico di Milano(米兰理工学院)
本研究利用强化学习设计变分量子电路,发现新型ansatz家族,提升优化问题求解效率。
2024-09-09 cs.LG quant-ph
Evolutionary Optimization for Designing Variational Quantum Circuits with High Model Capacity
Wells Fargo(富国银行)
针对QML模型设计依赖专家知识的问题,提出基于有效维度适应度函数的演化方法,自动设计高容量变分量子电路,提升复杂任务学习性能。
2024-12-17 cs.AI cs.ET cs.LG
Sub-universal variational circuits for combinatorial optimization problems
Department of Physics, University of Colorado Boulder, Boulder, CO 80309, USA(科罗拉多大学博尔德分校物理系);University of Technology Sydney, Centre for Quantum Software(悉尼技术大学量子软件中心);Department of Electrical, Computer and Energy Engineering, University of Colorado Boulder, Boulder, Colorado 80309, USA(科罗拉多大学博尔德分校电气、计算机与能源工程系)
提出一种基于二比特随机矩阵的经典概率变分线路求解组合优化问题,在多种规模的 Max-Cut 问题上优于 QAOA,为评估量子变分线路性能提供了次通用门集基准。
2025-09-14 cs.LG quant-ph
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
Optimizing Variational Quantum Circuits using Evolution Strategies
这个版本被arXiv管理员撤回,因为在提交的时候,子程序没有权利同意我们的许可证。
2018-06-12 cs.NE quant-ph stat.ML
Variational Quantum Circuits for Quantum State Tomography
National University of Defense Technology(国防科技大学);National Innovation Institute of Defense Technology(国防科技创新研究院)
量子态层析成像是大多数量子实验中的关键过程。在这项工作中,我们采用量子机器学习进行状态层析成像。给定一个未知的量子态,它可以通过最大化变分量子线路的输出和这个状态之间的保真度来学习。变分量子线路的参数数量随着量子比特的数量和线路深度线性增长,因此即使对于高度纠缠的状态,也只需要多项式测量。然后,利用经典电路模拟器将变分量子线路中的目标量子态信息转换为常见的形式。我们证明了我们的方法进行数值模拟的一维量子自旋链的基态的层析成像,使用变分量子线路模拟器。该方法适用于近期的量子计算平台,可用于实验相关量子态的相对大规模量子态层析成像。
2020-04-12 cs.LG physics.comp-ph quant-ph
Theoretical Error Performance Analysis for Variational Quantum Circuit Based Functional Regression
Georgia Institute of Technology(佐治亚理工学院);IBM Research(IBM研究院);Hon Hai (Foxconn) Research Institute(鸿海(富士康)研究院)
噪声中尺度量子(NISQ)器件使量子神经网络(QNN)的变分量子线路(VQC)实现成为可能。虽然基于VQC的QNN在许多机器学习任务中取得了成功,但VQC的表示和泛化能力仍然需要进一步研究,特别是当涉及经典输入的维数时。在这项工作中,我们首先提出了一个端到端的量子神经网络,TTN-VQC,它由一个基于张量训练网络(TTN)的量子张量网络和一个用于函数回归的VQC组成。然后,我们针对TTN-VQC的错误性能分析的代表性和泛化能力。我们还利用Polyak-Lojasiewicz(PL)条件来表征TTN-VQC的优化特性。此外,我们进行了手写数字分类数据集上的函数回归实验,以证明我们的理论分析。
2022-10-26 cs.AI cs.LG cs.NE
Logical Abstractions for Noisy Variational Quantum Algorithm Simulation
由于现有量子计算机原型的不可靠性和有限的容量,量子线路模拟仍然是验证下一代量子计算机和研究变分量子算法的重要工具,变分量子算法是有用的量子计算的主要候选者之一。现有的量子线路模拟器没有解决变分算法的共同特征,即:1)它们与噪声量子比特和操作一起工作的能力,2)它们重复执行相同的电路但具有不同的参数,以及3)它们从电路最终波函数采样以驱动经典优化例程的事实。我们提出了一个基于逻辑抽象的量子线路仿真工具链,用于模拟变分算法。我们提出的工具链在概率图形模型中编码量子振幅和噪声概率,并将电路编译为逻辑公式,以支持针对不同参数对量子线路进行有效的重复模拟和采样。与最先进的状态矢量和密度矩阵量子线路模拟器相比,我们的模拟方法在从至少8到20个量子比特的噪声电路中采样时提供了更好的性能,并且每个量子比特上有大约12个操作,使得该方法非常适合模拟近期变分量子算法。对于模拟32量子比特的无噪声浅量子电路,与基于张量网络收缩的量子线路模拟技术相比,我们的模拟方法提供了$66\times$在采样成本上的降低。
2021-03-31 cs.ET quant-ph
Transfer Learning Analysis of Variational Quantum Circuits
AI \& ML Department Brookhaven National Laboratory Upton NY, USA;Department of Mathematics;Computer Science Seton Hall University South Orange NJ, USA
本文分析了变分量子线路(VQC)的迁移学习,建立了基于1参数酉子群过渡和损失界分析的形式体系,并推导出实现相似域适应最优过渡的解析微调方法。
2025-07-14 cs.AI cs.LG quant-ph
An Algorithm for Fast Supervised Learning in Variational Circuits through Simultaneous Processing of Multiple Samples
本文提出了一种新的变分分类器的快速训练算法。该算法可适用于变分电路中使用的任何模拟器。所提出的算法在前向传递中利用qRAM和其他量子线路。此外,而不是通常的做法,计算损失的经典,我们计算损失使用互换测试电路。因此,当在N个样本的数据集上训练时,该算法将变分分类器的训练成本从通常的O(N)降低到O(logN)。虽然本文只讨论了二分类问题,但该算法可以很容易地推广到多类分类问题。
2020-11-29 quant-ph
Investigating potential energy surfaces of noncollinear molecule using variational quantum circuit
我们演示了一个非共线分子,例如H2O分子的模拟使用变分量子本征求解器(VQE)与高化学精度。报道了二维和三维势能面(PES)。利用Qiskit运行时程序的潜在加速能力,经过多次迭代得到变分量子线路的最优初始参数,从而实现了对完全哈密顿量精确对角化得到的水的PES匹配结果的准确预测.
2021-09-01 cond-mat.mtrl-sci quant-ph
Fourier Analysis of Variational Quantum Circuits for Supervised Learning
Fraunhofer IIS(弗劳恩霍夫集成电路研究所)
本文通过傅里叶分析探讨变分量子电路,揭示其频谱受变分参数约束,提出计算电路频谱的算法,并展示如何通过数据傅里叶变换预测最佳拟合电路。
2024-11-07 cs.LG quant-ph
Variational Quantum Circuit Decoupling
本文提出变分解耦算法,将 n 量子比特幺正门分解为多个独立演化的子组件,并应用于量子电路综合,数值实验表明其能实现传统变分电路无法达到的 2 和 4 量子比特门保真度。
2024-06-09 quant-ph
Variational Quantum Circuits in Offline Contextual Bandit Problems
Technical University of Munich(慕尼黑技术大学)
本文研究变分量子电路在离线上下文赌博机问题中的应用,通过工业基准环境验证量子回归模型能有效拟合奖励函数、优化配置并泛化于噪声稀疏数据,为量子模型在工业优化中的潜力提供概念验证。
2025-09-09 cs.AI quant-ph
Accelerating Variational Quantum Algorithms Using Circuit Concurrency
变分量子算法(VQA)提供了一种很有前途的方法,以实现量子优势,在嘈杂的中间尺度量子时代。在这个时代,量子计算机经历高出错率,并且量子错误检测和校正是不可行的。VQA可以利用噪声量子位与经典优化算法相结合来解决难题。然而,VQA相对于它们的经典对应物仍然很慢。因此,有必要提高自愿质量保证机构的业绩,使其具有竞争力。虽然随着问题规模的增加,VQA的性能会更好,但提高其性能将使其更快成为可行的选择。在这项工作中,我们表明,电路级并发提供了一种手段,以提高性能的变分量子算法在嘈杂的量子计算机。这涉及到将同一电路(程序)的多个实例同时映射到量子计算机上,这允许在每次训练迭代中并行收集变分量子算法中的多个样本。我们证明,这种技术提供了一个线性增加的训练速度时,同时运行的量子电路的数量增加。此外,即使具有悲观出错率,并发量子电路采样也可以将量子近似优化算法加速高达20倍,同时具有低映射和运行时间开销。
2021-09-03 cs.ET quant-ph
A practical overview of image classification with variational tensor-network quantum circuits
量子机器学习的电路设计仍然是一个巨大的挑战。受张量网络在不同领域的应用及其在经典机器学习环境中的新颖存在的启发,设计变分电路的一种方法是将电路架构基于张量网络。在这里,我们全面描述张量网络量子线路以及如何在模拟中实现它们。这包括利用电路切割,这是一种用于评估具有比当前量子设备更多量子位的电路的技术。然后,我们通过使用PennyLane(一个用于量子计算机差分编程的开源Python库)模拟各种张量网络量子线路来说明计算要求和可能的应用。最后,我们演示了如何将这些电路应用于日益复杂的图像处理任务,完成了对设计可应用于工业相关机器学习任务的电路的灵活方法的概述。
2022-09-22 quant-ph
Efficient estimation of trainability for variational quantum circuits
针对变分量子电路受贫瘠高原问题影响导致训练难、可训练性难判定的问题,提出基于随机初始化电路到Clifford电路的精确映射的高效梯度计算方法,可验证电路可训练性,已在100量子比特规模验证。
2023-09-07 quant-ph
QAdaPrune: Adaptive Parameter Pruning For Training Variational Quantum Circuits
Fujitsu Research of America(美国富士通研究院);University of Delaware(特拉华大学)
本文提出自适应参数剪枝算法QAdaPrune,通过自动确定阈值并剪枝冗余参数来降低变分量子线路的参数复杂度,在保持性能的同时缓解贫瘠高原问题并提升可训练性。
2024-08-23 cs.LG quant-ph
Variational quantum circuits to prepare low energy symmetry states
我们探讨如何建立量子线路,计算最低能量状态对应于一个给定的哈密顿量的对称子空间内明确编码到电路。我们创建了一个显式酉变换和一个变分训练酉变换,它将任意一个自定义子空间输出的向量映射到对称空间中的一个向量。这些参数被可变地训练以最小化能量,从而将输出保持在标记的对称值内。利用旋转和反射对称性对自旋XXZ哈密顿量以及利用S^2对称性对Sz = 0子空间内的H2哈密顿量进行了检验。我们已经发现变分训练的酉令人惊讶地给出非常好的结果,具有非常低的深度电路,因此可以用于在近期量子计算机内制备对称态。
2021-12-23 quant-ph
Solving Quantum Statistical Mechanics with Variational Autoregressive Networks and Quantum Circuits
我们扩展了酉量子线路的能力,它与经典的自回归神经网络接口。组合模型将变分密度矩阵参数化为量子纯态的经典混合,其中自回归网络生成比特串样本作为量子线路的输入状态。针对量子统计力学问题,我们设计了一种有效的变分算法来联合优化经典神经网络和量子线路。人们可以得到热观测量,如变分自由能、熵和比热。作为副产品,该算法还提供了访问低能量激发态。我们展示了应用程序的热性能和激发光谱的量子伊辛模型的资源,是可行的近期量子计算机。
2019-12-24 cond-mat.stat-mech cond-mat.str-el quant-ph
CutVQA: Co-Designing Circuit Cutting and Architecture Search for Scaling Variational Quantum Algorithms
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);Hefei National Laboratory, University of Science and Technology of China(中国科学技术大学合肥国家实验室)
CutVQA通过整合电路切割与量子架构搜索,减少变分量子算法的采样开销和训练时间,提升可扩展性。
2026-03-14 cs.ET quant-ph
Generating probability distributions using variational quantum circuits
Indian Institute of Science Education and Research Bhopal(印度科学教育与研究学院博帕尔分校)
本文提出利用变分量子电路生成概率分布,通过分析不同ansatze家族在多种成本函数和优化方法下的表现,提供设计高效可训练量子电路的实用指南。
2026-01-05 quant-ph
Escaping from the Barren Plateau via Gaussian Initializations in Deep Variational Quantum Circuits
School of Computer Science, Faculty of Engineering, The University of Sydney(悉尼大学工程学院计算机科学学院)
针对深度变分量子电路的梯度指数消失问题,本文提出带理论保证的高斯初始化策略,证明梯度范数至多多项式衰减,并通过量子模拟与量子化学实验验证。
2025-02-19 cs.LG quant-ph
Inductive Construction of Variational Quantum Circuit for Constrained Combinatorial Optimization
本文提出一种基于前向操作归纳构造变分量子电路的方法,能处理更广泛的约束条件,应用于设施选址问题,提升了可行解与最优解的测量概率,且电路成本与常规方法相当。
2025-01-07 quant-ph
Learning Quantum Phase Estimation by Variational Quantum Circuits
针对QPE因精度提升导致电路深度增加的问题,提出用VQC近似逆QFT以降低深度与噪声,并在真实硬件上验证其优于标准及含噪声QPE。
2023-11-08 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
Reachability Constraints in Variational Quantum Circuits: Optimization within Polynomial Group Module
The Affiliated Institute of ETRI(ETRI附属研究所)
研究提出变分量子方法精确求解基态的必要条件,指出群模投影范数必须匹配,且需提前知晓解态的群模权重。以匹配门电路为例,展示了经典比特字符串问题的可计算性,结合量子电路的经典模拟性,证明某些问题可通过经典方法在O(n⁵)时间内求解。
2026-04-15 cs.CC cs.ET cs.LG
Variational tight-binding method for simulating large superconducting circuits
我们推广固态紧束缚技术的频谱分析的大型超导电路。我们发现紧束缚态比电荷基态更适合于近似低能激发,如电流镜电路的有趣例子所示。紧束缚的使用可以显着降低收敛到真实谱所需的希尔伯特空间维数,并允许精确模拟电荷基对角化无法达到的较大电路。
2021-04-29 quant-ph
Universal Effectiveness of High-Depth Circuits in Variational Eigenproblems
Institute for Advanced Study(高等研究院);Samsung Research(三星研究院);Korea Institute for Advanced Study(韩国高等研究院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
我们探讨了变分量子线路在模拟量子多体哈密顿量的基态中的有效性。我们表明,通用的高深度电路,执行一系列相同形式的层酉,可以准确地近似所需的状态。我们通过使用两个具有非常不同性质的汉密尔顿系统:横向场伊辛模型和萨赫德夫-叶-基塔耶夫模型来证明他们的普遍成功。高深度电路的能量景观具有用于基于梯度的优化的适当结构,即,局部极值的存在-在任何随机初始点附近-达到地电平能量。我们进一步测试电路的复制随机量子态的能力,通过最小化欧几里德距离。
2021-03-08 cond-mat.str-el cs.LG hep-th
The Variational Power of Quantum Circuit Tensor Networks
在物理多体基态表象下,刻画了量子线路张量网络的变分幂。这种张量网络是通过用局域量子线路代替标准张量网络中的稠密块幺正和等距而形成的。我们研究了量子线路矩阵乘积态和量子线路多尺度纠缠重正化方法,并引入了一种自适应方法来优化所得到的线路,使其具有多个$10^4$参数,达到高保真度.我们对标准张量网络,以及其他常见的电路架构,为1D/2D海森堡和1D费米-哈伯德模型的表现力进行基准测试。我们发现,对于这些问题,量子线路张量网络比其他量子线路更有表现力,它们甚至可以比标准张量网络更紧凑。外推到电路的深度,它不能再被经典地模拟,这表明了一个区域的优势,在量子表现力的表示物理基态。
2021-11-05 cond-mat.str-el quant-ph
A hybrid variational quantum circuit approach for stabilizer states classifiers
Laboratoire Interdisciplinaire Carnot de Bourgogne, UMR 6303 CNRS, University of Technology of Belfort-Montbéliard(贝尔福-蒙贝利亚尔技术大学);Mathematics and Statistics Department, Auburn University(奥本大学)
本文提出利用变分量子电路方法对多体量子纠缠进行分类,针对四量子比特状态构建了分类器。
2026-04-02 quant-ph
Variational Quantum Algorithm based circuit that implements the Toffoli gate with multi inputs
本文提出两种变分量子算法,仅用单量子比特门和CNOT门实现多输入Toffoli门,并通过Hilbert-Schmidt内积和可观测量期望值构造代价函数,利用PennyLane完成优化。
2023-05-30 quant-ph
JuliVQC: an Efficient Variational Quantum Circuit Simulator for Near-Term Quantum Algorithms
本文提出轻量高效的变分量子线路模拟器JuliVQC,通过Julia实现透明核心算法、缓存友好的并行化操作及原生自动微分,在多种量子与变分线路场景下性能领先。
2024-06-27 quant-ph
Comparative study of variational quantum circuit and quantum backpropagation multilayer perceptron for COVID-19 outbreak predictions
Delhi Technological University(德里理工大学);CHRIST (Deemed to be University)(克里斯大学(被视为大学))
有许多量子神经网络模型已被应用于各种问题,如图像分类,模式识别等。量子启发算法已经有相当一段时间了。最近,在NISQ时代,混合量子经典模型已经显示出有希望的结果。多特征回归是经典机器学习中常见的问题。因此,我们提出了一个连续变量量子神经网络(变分电路)和量子反向传播多层感知器(QBMLP)的比较分析。我们选择了预测印度和美国COVID-19病例增加的当代问题。我们提供了两个模型之间的统计比较,这两个模型的性能优于经典的人工神经网络。
2020-08-19 cs.LG quant-ph
Abrupt Transitions in Variational Quantum Circuit Training
变分量子算法主导了现代量子处理器的基于门的应用。所谓的{ \it逐层可训练性猜想}出现在贯穿变分量子计算文献的各种著作中。该猜想断言量子线路可以分段训练,例如~可以按顺序训练几层以最小化目标函数。这里我们证明这个猜想是错误的。通过考虑指数接近(量子比特数)单位矩阵的目标函数来找到反例。在有限的设置中,我们发现量子线路的训练能力突然转变,以最小化这些目标函数。具体来说,我们发现,低于一个关键的(目标门依赖)阈值,电路训练终止接近身份,并保持接近身份的后续添加块训练分段。临界层深度将突然训练任意接近目标,从而使目标函数最小化。这些发现为变分量子线路的分而治之的可训练性提供了新的线索,并适用于当代文献的广泛收集。
2020-10-19 cond-mat.dis-nn quant-ph
Variational learning of integrated quantum photonic circuits
本文提出一种面向集成光子电路的变分学习方法,将后选择与基本光子元件直接纳入训练,把复杂电路作为单个非线性逻辑算子进行统一设计,并在芯片上实时优化参数,成功演示了单辅助CNOT门设计和首次集成光子量子随机模拟。
2024-11-19 physics.comp-ph quant-ph
Parsimonious Optimisation of Parameters in Variational Quantum Circuits
针对变分量子电路中梯度估计复杂度随参数数量线性增长的问题,提出Quantum-Gradient Sampling算法,每次迭代最多执行两个电路并减少shots数量,实现与经典梯度下降相似的收敛率且优于多种基线方法。
2023-07-27 quant-ph
Natural Evolutionary Strategies for Variational Quantum Computation
University of Toronto(多伦多大学);Vector Institute(向量研究所);Canadian Institute for Advanced Research (CIFAR)(加拿大高等研究院)
自然进化策略是一类无梯度黑箱优化算法。这项研究说明了他们的使用随机初始化参数化量子线路(PQC)的梯度消失的区域中的优化。我们表明,使用NES梯度估计的指数下降的方差可以减轻。我们实现了两个具体的方法,指数和可分离的自然进化策略,PQC的参数优化,并将它们与标准梯度下降法进行比较。我们将它们应用到两个不同的问题,基态能量估计使用变分量子本征求解器(VQE)和状态准备与电路的不同深度和长度。我们还介绍了批量优化电路与更大的深度扩展使用的进化策略,以大量的参数。在上述所有情况下,我们实现了与最先进的优化技术相媲美的精度,并且电路评估的数量更少。我们的经验结果表明,可以使用NES作为一种混合工具,与其他基于梯度的方法,用于优化梯度消失的区域中的深量子线路。
2021-03-29 cs.LG cs.NE quant-ph
Energy-dependent barren plateau in bosonic variational quantum circuits
University of Southern California(南加州大学)
针对玻色连续变分量子电路的可训练性难题,本文揭示了依赖电路能量的贫瘠高原现象,证明梯度方差随模式数指数衰减且随电路能量多项式衰减,并提出通过控制电路能量来缓解该现象的策略。
2023-05-02 cs.LG quant-ph
Quantum Circuit Reasoning Models: A Variational Framework for Differentiable Logical Inference
UC Berkeley, School of Information(伯克利大学信息学院)
量子电路推理模型通过变分框架实现可微逻辑推理,将量子力学操作映射到推理原语,用于科学、生物医学和化学领域的推理任务。
2025-11-26 cs.AI quant-ph
Efficient variational quantum circuit structure for correlated topological phases
本文提出含初始化层与变分层的高效VQE线路拟设,用于模拟交替自旋-1/2海森堡链的Haldane相,并在真机上验证其拓扑特征及可扩展性。
2023-08-18 cond-mat.stat-mech cond-mat.str-el quant-ph
Circuit-Efficient Qubit-Excitation-based Variational Quantum Eigensolver
本文在ADAPT-VQE框架内提出两体量子比特激发算符的电路高效实现,用于构建浅电路波函数拟设,并在小分子基态与激发态模拟中显著降低电路深度,提升当前量子硬件上的电子结构模拟性能。
2024-06-17 quant-ph
Variational Quantum Circuit Model for Knowledge Graphs Embedding
Ludwig Maximilian University of Munich(慕尼黑大学);Siemens AG(西门子公司);Singapore University of Technology and Design(新加坡科技设计大学);ETH Zurich(苏黎世联邦理工学院)
在这项工作中,我们提出了第一个量子Ansätze的统计关系学习知识图使用参数量子线路。本文介绍了两种用于知识图嵌入的变分量子线路。受经典表示学习的启发,我们首先将实体的潜在特征看作是量子态的系数,而谓词则是作用于量子态的参数门。对于第一个模型,当涉及到这个模型的优化时,量子优势消失了。因此,我们引入了第二个量子线路模型,其中实体的嵌入是由作用于纯量子态的参数化量子门产生的。第二种方法的好处是可以有效地训练量子嵌入,同时保持量子优势。我们表明,所提出的方法可以实现与最先进的经典模型,例如,RESCAL,DistMult。此外,在优化模型之后,知识图上的归纳推理的复杂度可以相对于实体的数量而降低。
2019-02-19 cs.AI quant-ph
Scaling of variational quantum circuit depth for condensed matter systems
我们基准的准确性变变分量子本征求解器的基础上,有限深度的量子线路编码的本地哈密顿基态。我们表明,在有间隙的阶段,精度提高与电路的深度呈指数关系。当试图编码共形不变哈密顿量的基态时,我们观察到两个区域。一个有限深度的制度,其中的精度提高缓慢的层数,和有限大小的制度,它再次提高指数。这两个制度之间的交叉发生在一个临界层数,其值与系统的大小线性增加。我们讨论的背景下,比较不同的变分分析和它们的有效性,在描述临界基态这些意见的影响。
2020-06-05 cond-mat.stat-mech hep-th quant-ph
Variational quantum generators: Generative adversarial quantum machine learning for continuous distributions
我们提出了一种量子-经典混合方法,利用变分量子线路来模拟连续的经典概率分布。变分电路的结构由两部分组成:一个量子线路,用于将经典随机变量编码成量子态,称为量子编码器;和一个变分电路,其参数被优化以模拟目标概率分布。通过测量在计算开始时选择的一组运算符的期望值来生成样本。我们的量子生成器可以用经典函数(如神经网络)作为经典后处理的一部分进行补充。我们使用生成对抗学习方法演示了量子变分生成器的应用,其中量子生成器通过其与将生成的样本与来自真实数据分布的样本进行比较的模型进行交互来训练。我们表明,我们的量子发生器是能够学习目标的概率分布,无论是使用经典的神经网络或变分量子线路作为神经网络。我们的实现利用自动微分工具来执行所采用的变分电路的优化。这里提出的变分量子发生器的设计和实现框架可以作为设计混合量子经典架构的蓝图,用于近期量子设备上的其他机器学习任务。
2019-01-03 quant-ph
Large-scale sparse wavefunction circuit simulator for applications with the variational quantum eigensolver
在量子计算机上进行状态准备的标准范例,用于在近期模拟物理系统,已经用不同的算法方法进行了广泛的探索。一种这样的方法是参数化电路的优化,但随着电路尺寸的增加,这变得越来越具有挑战性。因此,大规模电路优化的效用相对未知。在这项工作中,我们证明了纯粹的经典资源可以用于优化量子线路在一个近似的,但强大的方式,这样我们就可以桥接的资源,我们从高性能计算,并看到直接过渡到量子优势。我们通过稀疏波函数电路求解器来展示这一点,我们在这里详细介绍,并展示了一个高效的经典模拟区域。有了这样的工具,我们可以避免许多问题,困扰电路优化数百量子位只使用实际和合理的经典计算资源。这些工具使我们能够探索量子计算机上变分优化方法的真正好处,从而为物理系统的短期硬件预期打开了一扇窗户。我们证明了这一点与一个单一的耦合集群的各种分子上的原子团高达64个量子比特与成千上万的变参数。
2023-01-13 cond-mat.str-el physics.chem-ph quant-ph
Enhancing the Trainability of Variational Quantum Circuits with Regularization Strategies
Boise State University(博伊斯州立大学);University of Cincinnati(辛辛那提大学)
针对变分量子电路(VQCs)训练中存在的贫瘠高原和鞍点等梯度问题,提出结合训练数据先验知识与高斯噪声扩散的参数正则化策略,经四个公开数据集消融研究验证,该策略有效提升了VQCs的可训练性。
2025-08-25 cs.LG quant-ph
An Empirical Review of Optimization Techniques for Quantum Variational Circuits
Rensselaer Polytechnic Institute(伦斯勒理工学院);Department of Computer Science(计算机科学系);Troy NY, USA(美国纽约州特洛伊市(此处仅为地址信息,根据提取规则应忽略,正确仅保留大学))
量子变分电路(QVC)通常被认为是近期和长期量子硬件最有效的用途之一。优化这些电路的标准方法依赖于经典系统来计算每个优化步骤的新参数。然而,这个过程可能极具挑战性,因为导航的性质是指数缩放的复杂希尔伯特空间,贫瘠的高原,以及所有可预见的量子硬件中存在的噪声。虽然在实践中采用了各种优化算法,但这种选择往往缺乏理论或经验动机。为此,我们经验性地评估了许多常见的梯度和梯度自由优化器在各种优化任务上的潜力。这些任务包括基于经典和量子数据的优化例程。我们的评估是在无噪声和噪声模拟中进行的。大量的问题和优化评估产生强有力的经验指导选择优化QVC,目前缺乏。
2022-02-09 cs.LG quant-ph