Statistical Analysis of Quantum State Learning Process in Quantum Neural Networks
Tsinghua University(清华大学);Institute for Advanced Study, Tsinghua University(清华大学高等研究院);Baidu Research(百度研究院);Institute for Quantum Computing, Baidu Research(百度研究院量子计算研究所);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文证明量子神经网络学习未知量子态时,即使采用高保真初态,低损失区域也会随量子比特数出现指数级局部极小困境,从而限制初始化与自适应方法的可扩展性。
2023-09-26 cs.LG quant-ph
Evaluating the performance of sigmoid quantum perceptrons in quantum neural networks
量子神经网络(QNN)已被提出作为一个有前途的量子机器学习的体系结构。有许多不同的量子线路设计被称为QNN,但是没有明确的候选者比其他人更合适。相反,对“量子感知器”--QNN的基本组成部分--的研究仍在进行中。一个候选者是量子感知器,旨在模拟经典感知器的非线性激活函数。这种S形量子感知器(SQP)继承了泛逼近性质,该性质保证经典神经网络可以逼近任何函数。然而,这并不能保证从SQP构建的QNN将比它们的经典对应物具有任何量子优势。在这里,我们通过计算SQP网络的有效维度和有效容量,以及检查它们在实际学习问题上的性能,来批判性地研究SQP网络的能力和性能。将结果与其他缺乏激活函数的候选网络进行比较。结果发现,更简单的,显然是更容易实现的参数量子线路实际上比SQP更好。这表明作为经典神经网络理论基石的泛逼近定理并不是QNN的相关准则。
2022-08-12 quant-ph
Symmetric Pruning in Quantum Neural Networks
Wuhan University(武汉大学);JD Explore Academy(京东探索研究院);The University of Chicago(芝加哥大学);qBraid Co.(qBraid公司);The University of Sydney(悉尼大学);Hubei Luojia Laboratory(湖北珞珈实验室)
针对量子神经网络基态制备中对称拟设优势缺乏理论解释的问题,提出有效量子神经正切核(EQNTK)量化收敛性,并设计对称剪枝(SP)方案自动裁剪非对称拟设以大幅提升模型性能。
2023-02-07 cs.AI cs.LG quant-ph
The Roles of Kerr nonlinearity in a Bosonic Quantum Neural Network
量子神经网络(QNNs)是一种新兴的人工神经网络(ANN)技术,它能够从ANN系统中获得量子优势,引起了机器学习和量子物理领域的极大关注。与经典的神经网络相比,QNN已被证明能够加快信息处理速度,提高预测或分类效率,并提供通用和实验友好的平台。众所周知,克尔非线性是经典ANN中不可或缺的元素,而在QNN中,克尔非线性的作用尚未完全理解。在这项工作中,我们考虑了玻色子QNN,并研究了经典(模拟XOR门)和量子(生成薛定谔猫态)任务,以证明克尔非线性不仅使非平凡的任务,而且使系统对错误更具鲁棒性。
2022-05-10 quant-ph
Nonlinear Quantum Neuron: A Fundamental Building Block for Quantum Neural Networks
量子计算使量子神经网络具有超越人工神经网络的巨大潜力。神经网络的强大的推广归因于非线性激活函数。虽然已经开发了各种与QNN相关的模型,但它们面临着将神经计算的非线性耗散动力学合并到线性幺正量子系统中的挑战。在本文中,我们建立了不同的量子线路来近似非线性函数,然后提出了一个可推广的框架来实现任何非线性量子神经元。我们提出了两个量子神经元的例子的基础上提出的框架。构建单个量子神经元所需的量子资源是多项式,是输入大小的函数。最后,IBM Quantum Experience的结果和数值模拟说明了所提出的框架的有效性。
2020-11-06 cs.ET quant-ph
A natural NISQ model of quantum self-attention mechanism
本文提出了一种在量子神经网络中自然实现自注意力机制的量子自注意力机制(QSAM),仅通过设计数据编码和拟设架构即可实现注意力计算,在文本分类任务上以更低电路复杂度取得更好准确率,并展现出对量子噪声的鲁棒性,为构建大规模量子注意力神经网络奠定基础。
2023-05-25 quant-ph
Quantum walks on graphs representing the firing patterns of a quantum neural network
量子行走已被证明是分析量子系统动力学性质的有效工具。本文提出使用量子行走作为量子神经网络(QNN)的一种方法。QNN用量子比特取代二进制McCulloch-Pitts神经元,以便在神经网络中使用量子计算的优势。在这种QNN的激发态上的量子行走被认为是模拟经典神经网络动力学的中心特性,例如联想记忆。它表明,一个有偏离散Hadamard行走来自生物神经元的更新过程不会导致酉行走。然而,一个QNN的全局放电状态之间的随机量子行走可以被构造,它被证明是包含联想记忆的功能。量子对行走的贡献解释了在某些状态下的适度加速。
2014-04-01 quant-ph
Dissipative quantum generative adversarial networks
有噪声的中尺度量子(NISQ)设备构建了第一代量子计算机。量子神经网络(QNN)作为在这些NISQ设备上运行的少数几个合适的量子算法之一获得了很高的兴趣。大多数的QNN利用监督训练算法与量子态的形式对学习他们的底层关系。然而,尽管量子数据不成对出现的有趣应用,但对无监督训练算法的关注很少。在这里,我们提出了一种无监督学习和再现任何给定的量子态集的特性的方法。我们使用两个耗散量子神经网络(DQNN)建立了一个生成对抗模型,从而得到耗散量子生成对抗网络(DQGAN)。生成器DQNN的目标是产生与训练数据相似的量子态,而训练器DQNN的目标是将生成器的输出与训练数据区分开。我们发现,以竞争的方式训练这两个部分会导致一个训练有素的生成DQNN。我们将我们的贡献视为使用DQGAN学习和扩展未标记训练集的概念证明。
2021-12-11 quant-ph
Input-Aware Dynamic Backdoor Attack Against Quantum Neural Networks
Department of Computer Science, Old Dominion University(计算机科学系,老 Dominion 大学);School of Cybersecurity , Old Dominion University(网络安全学院,老 Dominion 大学)
研究针对量子神经网络的安全风险,提出Q-DIBA这一输入感知动态后门攻击方法,通过三模式小批量策略联合训练经典触发生成器和受害QNN,引入总体密度对比损失,实验验证其有效性、隐蔽性及对多种防御的抗性。
2026-07-29 cs.LG quant-ph
Trainability of Dissipative Perceptron-Based Quantum Neural Networks
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Louisiana State University(路易斯安那州立大学)
已经提出了几种量子神经网络(QNN)的架构,其目标是在量子数据上有效地执行机器学习任务。对于特定的QNN结构,迫切需要严格的缩放结果,以了解哪些(如果有的话)将在大规模上可训练。在这里,我们分析了最近提出的一种称为耗散QNN(DQNN)的架构的梯度缩放(以及可训练性),其中每层的输入量子比特在层的输出处被丢弃。我们发现,DQNN可以表现出贫瘠的高原,即,量子位数呈指数级递减的梯度此外,我们在不同的条件下,如不同的成本函数和电路深度,DQNN的梯度的缩放提供定量界限,并表明可训练性并不总是得到保证。
2022-06-10 cs.LG quant-ph
Exploring Channel Distinguishability in Local Neighborhoods of the Model Space in Quantum Neural Networks
TU Wien(维也纳技术大学);Forschungszentrum Jülich GmbH(于利希研究中心)
本文针对量子神经网络(QNNs)难训练的问题,分析其架构ansatzes的表达能力与局部邻域可区分性,推导参数少的QNN更新时可区分性上界,通过实验验证并指出小型量子模型迭代训练或无效。
2025-02-14 cs.LG quant-ph
Multivariate unbounded quantum regression via log-ratio probabilities mitigating barren plateaus
Chung-Ang University(中央大学)
本文提出利用log-ratio概率缓解barren plateau现象,实现高效无界的多变量回归,提升参数和量子位效率。
2025-06-25 quant-ph
EQNN: Enhanced Quantum Neural Network
Chunghwa Telecom Laboratories(中華電信研究院)
针对量子神经网络中特征映射设计困难的问题,提出含增强型特征映射的 EQNN,并在移动数据使用量预测中证明其门数更少、准确率更高且收敛更快。
2024-11-28 cs.IT cs.LG cs.NE
Quantum Multi-Agent Meta Reinforcement Learning
Korea University(高丽大学);Deakin University(迪肯大学)
虽然量子霸权尚未到来,但最近人们越来越关注在即将到来的实用量子计算时代识别量子机器学习(QML)的潜力。受此启发,在本文中,我们基于量子神经网络(QNN)的独特特性重新设计了多智能体强化学习(MARL),该网络具有两个独立的可训练参数维度:影响输出量子比特状态的角度参数和与输出测量基础相关的极点参数。利用这种二元可训练性作为元学习能力,我们提出了量子Meta MARL(QM2ARL),它首先将角度训练应用于元QNN学习,然后将极点训练应用于Few-Shot或局部QNN训练。为了避免过拟合,我们开发了一种角度到极点正则化技术,在角度训练期间将噪声注入极点域。此外,通过利用极点作为每个训练的QNN的存储器地址,我们引入了极点存储器的概念,允许仅使用两个参数的极点值来保存和加载训练的QNN。我们从理论上证明了角度训练在角度到极点正则化下的收敛性,并通过仿真证实了QM2ARL在实现高回报和快速收敛方面的有效性,以及极点记忆在快速适应时变环境方面的有效性。
2022-11-25 cs.AI cs.LG cs.MA
Learning To Optimize Quantum Neural Network Without Gradients
University of Delaware(特拉华大学);Fujitsu Research of America(富士通美国研究院)
本文提出一种无需梯度信息的元优化算法,通过训练元优化器网络直接输出量子电路参数,在不同数据集上以更少的电路评估次数获得比现有梯度方法更优的最小值。
2023-04-15 cs.LG quant-ph
Concentration of Data Encoding in Parameterized Quantum Circuits
本文证明参数化量子电路编码的数据态随深度指数集中于最大混合态,限制量子分类器性能,并数值验证了该结论。
2022-06-16 cs.IT cs.LG math.IT
Quantum variational learning for entanglement witnessing
最近已经提出了几个建议,以实现量子机器学习(QML)算法的分析经典数据集采用变分学习手段。然而,到目前为止,通过这些技术对量子数据进行表征和分析的工作量有限。这项工作的重点是这样一个雄心勃勃的目标,即量子算法的潜在实现,允许正确分类量子态定义在一个单一的寄存器的$n$量子位,基于它们的纠缠度。这是在经典硬件上执行的非常困难的任务,因为相应的希尔伯特空间的指数缩放为$2^n$。我们利用“纠缠见证“的概念,即,其期望值允许将某些特定状态识别为纠缠的算子。更详细地说,我们利用量子神经网络(QNN)成功地学习如何再现纠缠见证的动作。这项工作可能为QML算法和量子信息协议的有效结合铺平道路,可能优于分析量子数据的经典方法。所有这些主题进行了讨论,并通过相关的量子线路模型的模拟适当地证明。
2022-05-20 quant-ph
Adiabatic training for Variational Quantum Algorithms
针对VQA训练中的贫瘠高原问题,提出由经典计算机、门量子计算机和绝热量子计算机构成的混合QML模型,并用绝热优化替代梯度优化,验证两类量子计算集成的可行性。
2024-10-24 cs.ET 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
Quantum Shadow Gradient Descent for Variational Quantum Algorithms
Indiana University(印第安纳大学);Purdue University(普渡大学)
针对变分量子电路梯度估计中因状态坍缩导致的样本无法重用问题,提出基于影子层析成像的量子影子梯度下降(QSGD)方法,每次迭代仅需单样本即可估计所有梯度分量,显著提升样本效率并实现更快的收敛速度。
2024-08-22 cs.LG quant-ph
Towards Practical Quantum Neural Network Diagnostics with Neural Tangent Kernels
本文提出利用量子神经正切核(QNTK)进行量子神经网络性能诊断的实用框架,通过初始化阶段的QNTK谱估计关键学习率与训练误差衰减时间,并在一阶近似下分析模型推理能力,有效辅助模型设计。
2025-03-03 quant-ph