量子时间机器的设计
A Design for a Quantum Time Machine
摘要:
这篇论文被撤回了,原因很明显。
英文摘要:
This paper has been retracted, for obvious reasons.
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
A Design for a Quantum Time Machine
Andrew Gray
这篇论文被撤回了,原因很明显。
This paper has been retracted, for obvious reasons.
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
继续探索
Simulations of Quantum Turing Machines by Quantum Multi-Stack Machines
众所周知,在经典计算中,图灵机、电路、多栈机和多计数器机是等价的,也就是说,它们可以在多项式时间内相互模拟。在量子计算中,姚文[11]首先证明了对于任何量子图灵机$M$,存在量子布尔电路$(n,t)$ -模拟$M$,其中$n$表示输入字符串的长度,$t$是机器停止前的移动步数。然而,量子多栈机和量子多计数器机对量子图灵机的模拟还没有被考虑,量子多栈机也没有建立。虽然Kravtsev [6]和Yamasaki { \it et al.} [10],其中机器仅用$0,\pm 1$计数,我们感觉到用这种量子计算设备很难模拟量子图灵机,因此我们证明了对于某些$n>1$,允许用$0,\pm 1,\pm 2,...,\pm n$计数的量子多计数器机器可以有效地模拟量子图灵机.因此,我们的主要目标是建立量子多栈机和量子多计数器机与计数$0,\pm 1,\pm 2,...,\pm n$和$n>1$,特别是模拟量子图灵机的量子计算设备。
Quantum Machines
我们讨论量子信息处理机。我们从单一用途的机器开始,它们要么重新分配量子信息,要么识别量子态。然后,我们转向可以执行许多功能的机器,它们执行的功能由程序决定,程序本身就是一个量子态。给出了确定性和概率可编程机器的例子,最后我们讨论了量子程序的实用性。
Hybrid Quantum Cloning Machine
在这项工作中,我们介绍了一种特殊的量子克隆机称为混合量子克隆机。引入的混合量子克隆机或转换只不过是预先存在的量子克隆转换的组合。从这个意义上说,它在量子克隆者领域创造了自己的身份。混合量子克隆机可以有两种类型:(i)状态依赖型和(ii)状态独立型或通用型。我们在这里研究上述两种类型的混合量子克隆机。稍后,我们将证明状态相关的混合量子克隆机只能应用于四个输入状态。本文还将找到另一种非对称通用量子克隆机,它是由最佳通用BH量子克隆机和通用反克隆机组合而成的。这两个输出的重复性不同,它们的值位于${5/6} $的邻域内
Quantum machine learning -- lecture notes
本文为计算机科学家提供量子机器学习的讲义笔记,涵盖相关理论与应用。
Quantum enigma machines
恩尼格玛机是使用伪随机数执行加密的设备。最初的英格玛机器码是通过检测这些伪随机数中的隐藏模式来破解的。本文提出了一个量子光学谜机的模型,并表明量子数据锁定的现象,使这样的量子谜机可证明是安全的,即使在存在噪声和损失。
Quantum features and signatures of quantum-thermal machines
本章的目的是指出量子现象是如何影响微观热机的运行的,如发动机和冰箱。由于将热量转换为功是热力学的基本问题之一,量子热机的平台揭示了量子领域的热力学。本章重点介绍量子力学的基本特征,如能量量子化、不确定原理、量子相干性和相关性,以及它们在微观热器件中的表现。除了指出由于它们的非经典特征的热机的特殊行为,我们提出了这些机器的量子热力学签名。任何对这些机器的热力学测量的经典界限的违反都是得出量子效应存在于该热力机器的操作中的结论的充分条件。实验装置证明了一些结果。
Some relations between quantum Turing machines and Turing machines
对于量子图灵机,我们提出了三个元素:它的组件,它的时间演化算子和它的局部转移函数。其中的分量与确定性图灵机的分量有关,时间演化算子与可逆图灵机的演化有关,局部转移函数与概率性和可逆图灵机的转移函数有关。
Local Transition Functions of Quantum Turing Machines
量子图灵机的概念的基础进行了调查。根据Deutsch的公式,量子图灵机的时间演化将由局部跃迁函数决定。本文对完全一般的量子图灵机,包括多带量子图灵机,刻画了局部转移函数,推广了Bernstein和Vazirani的结果.
Quantum Learning Machine
我们提出了一个新的概念,量子学习机自动控制量子相干性和开发量子算法。量子学习机可以被训练成在没有关于其算法的先验知识的情况下学习某个任务。作为一个例子,它表明,量子学习机学习Deutsch的任务,并发现自己的量子算法,这是不同于但相当于原来的一个。
Qsun: an open-source platform towards practical quantum machine learning applications
目前,量子硬件受到噪声和量子比特数的限制。因此,在经典计算机上模拟量子计算机操作的量子虚拟机是在将量子算法部署到真正的量子计算机之前开发和测试量子算法的重要工具。各种变分量子算法已经被提出并在量子虚拟机上进行了测试,以超越量子硬件的限制。我们的目标是进一步利用变分量子算法,使用最先进的量子计算机实现量子机器学习的实际应用。本文首先介绍了我们设计的量子虚拟机Qsun,它的运行是以量子态波函数为基础的。该平台提供了支持变分量子算法的本地工具。特别是使用参数转移规则,我们实现了量子可微规划基本的梯度优化。然后,我们报告了两个代表量子机器学习的测试:量子线性回归和量子神经网络。
Generalized Quantum Turing Machine and its Application to the SAT Chaos Algorithm
Ohya和Volovich提出了一种新的基于混沌放大的量子计算模型来解决SAT问题,这是一种超越常规量子算法的新方法。本文推广了量子图灵机,并证明了在这个广义量子图灵机(GQTM)中可以处理OV SAT算法。
Two-qubit universal and state-dependent quantum cloning machine and quantum correlation broadcasting
由于量子力学的公理,完美克隆未知的量子态是不可能的。但由于不完美克隆仍然是可能的,一个问题出现了:“是否存在最佳的量子克隆机?Buzek和Hillery回答了这个问题,并建造了他们著名的B-H量子克隆机。B-H机以最优方式克隆任意单个量子比特的状态,因此它是通用的。将该机器推广到两量子比特系统是简单的,但是该过程没有以最佳方式保持存在于二分态中的量子关联,并且在该过程中,该机器失去了其普适性,成为状态依赖的克隆机器。本文提出了一种双量子比特系统的最优普适局域量子态克隆器。我们还提出了两类依赖态的局域量子复制机。此外,我们研究了量子关联的两个方面,即,量子纠缠和量子不和谐定义,分别在纠缠可分性范式和从信息论的角度来看。结果表明,尽管量子关联在传播过程中通常是非常脆弱的,但量子不和谐的传播比量子纠缠更鲁棒。
On Halting Process of Quantum Turing Machine
我们证明了没有算法来判断一个任意构造的量子图灵机在不同的计算分支上是否具有相同的时间步长。因此,我们不能避免量子图灵机中停机是概率性的概念。我们的研究结果表明,量子图灵机的停机方案和基于现有停机方案的量子复杂性理论应该重新审视。
Quantum Cloning Machines and the Applications
不可克隆定理是量子力学和量子信息科学的基础,它指出一个未知的量子态是不可能完全克隆的。然而,我们可以尝试以最佳保真度近似地克隆一个量子态,或者相反,我们可以尝试以最大的概率完美地克隆它。因此,针对不同的量子信息协议设计了各种量子克隆机。具体来说,量子克隆机可以用来分析诸如BB84协议、六态协议、B92协议及其推广等量子密钥分发协议的安全性。一些著名的量子克隆机包括通用量子克隆机、相位协变克隆机、非对称量子克隆机和概率量子克隆机等。近年来,量子克隆机的研究及其应用和实现在理论和实验上都取得了很大的进展。在这篇综述中,我们将对量子克隆的重要进展以及相关的一些问题进行全面的描述。另一方面,这篇综述是自洽的,特别是,我们试图提出一些详细的公式,以便在这些结果的基础上进行进一步的研究。
Quantum cloning machines for equatorial qubits
研究了赤道量子比特的量子克隆机。对于1到2相位协变的量子克隆机,我们提出了由量子门组成的网络来实现量子克隆变换。利用Peres-Horodecki准则证明了复制的赤道量子比特是可分的。给出了最优1到M相位协变量子克隆变换。
Machine learning methods in quantum computing theory
经典机器学习理论和量子计算理论是当今发展最快的科学领域之一。近年来,研究人员研究了量子计算是否有助于改进经典机器学习算法。量子机器学习包括涉及经典算法和量子算法的混合方法。量子方法可以用来分析量子态而不是经典数据。另一方面,量子算法可以指数级地改进经典的数据科学算法。在这里,我们展示了量子机器学习的基本思想。我们提出了几种结合经典机器学习算法和量子计算方法的新方法。我们演示了多类树张量网络算法,并在IBM量子处理器上得到了验证。此外,我们还介绍了神经网络方法来解决量子层析成像问题。我们的层析成像方法使我们能够预测量子态排除噪声的影响。这种经典-量子方法可以应用于各种实验中,以揭示输入数据和输出测量结果之间的潜在依赖关系。
Elementary quantum cloning machines
考虑了用最小数量的量子操作接收任意量子态的副本的问题。
Quantum Machine Learning using Gaussian Processes with Performant Quantum Kernels
量子计算机有机会为各种计算任务带来变革。最近,已经提出了使用大型量子设备的不可模拟性来通过使用内核方法执行具有量子优势的回归、分类和其他机器学习任务。虽然不可模拟是机器学习中量子优势的必要条件,但这并不充分,因为并非所有内核都同样有效。在这里,我们研究了使用量子计算机来执行一维和多维回归的机器学习任务,以及使用高斯过程的强化学习。通过使用用额外量子资源增强的高性能经典内核的近似,我们证明了量子设备,无论是在模拟还是在硬件上,都可以执行机器学习任务,至少和经典灵感一样好,甚至好很多倍。我们的内核设计展示了一条有效利用量子设备进行机器学习任务的途径。
Variational Quantum Support Vector Machine based on $Γ$ matrix expansion and Variational Universal-Quantum-State Generator
我们使用基于变分量子电路模型的支持向量机分析了一个二进制分类问题。我们建议通过使用$Γ$矩阵展开来求解支持向量机的线性方程。此外,它表明,任意量子态的制备,通过优化的通用量子线路表示的任意$U(2^N)$基于最速下降法。它可能是现场可编程门阵列(FPGA)的量子推广。
Realizing Quantum Boltzmann Machines Through Eigenstate Thermalization
量子玻尔兹曼机是玻尔兹曼机的自然量子推广,预计比经典的机器更具表现力,这在小系统的数值上和各种复杂性理论假设下的渐近性都得到了证明。然而,使用基于梯度的方法训练量子玻尔兹曼机需要对量子热分布中的可观测量进行采样,这是一个NP困难的问题。在这项工作中,我们发现,局部性的梯度可观的产生一个有效的采样方法的基础上的本征态热化假设,从而通过哈密顿模拟训练量子玻尔兹曼机在近期量子设备的有效方法。此外,在对要建模的数据分布的时刻的现实假设下,使用我们的算法采样的分布与理想量子玻尔兹曼机的分布近似相同。我们数值证明,根据建议的训练方案,量子玻尔兹曼机捕获多模态伯努利分布比经典的限制玻尔兹曼机具有相同的连接结构。我们还提供了我们的训练方案相对于噪声的鲁棒性的数值结果。
Non Existence of Quantum Mechanical Self Replicating Machine
在这封信中,我们证明了量子世界中不可能存在自我复制机器。我们用量子力学的线性、无信号条件和局域幺正操作下的纠缠守恒三种不同但一致的方法建立了这个结果。
Quantum machine learning for data scientists
本文旨在以一种可访问和一致的方式向数据科学家介绍和解释量子机器学习算法。所提出的算法和方程并没有以严格的数学方式编写,相反,压力是放在例子上,并一步一步地解释困难的主题。本文概述了所选的量子机器学习算法,但也提出了一种量子PCA算法的分数提取方法,并介绍了前馈量子神经网络中的一种新的代价函数。全文分为四个部分:第一部分介绍了基本的量子理论,第二部分介绍了量子计算和量子计算机体系结构。第三部分介绍了量子算法,这些算法将被用作量子机器学习算法的子程序。最后,第四部分描述了利用前面部分积累的知识的量子机器学习算法。
Machine Learning meets Quantum Foundations: A Brief Survey
机器学习的目标是帮助计算机在没有外部明确指令的情况下执行特定任务。量子基础试图解释量子理论的概念和数学基础。最近,机器学习的思想已经成功地应用于量子基础的不同问题。在这里,我们汇编了迄今为止在机器学习和量子基础接口上所做的代表性工作。我们总结了调查与潜在的未来方向。
Quantum Cloning Machines of a d-level System
提出了d能级系统的最优N to M($M>N$)量子克隆机。酉克隆变换达到了保真度的界。
Quantum machine learning over infinite dimensions
机器学习是计算机科学中一个迷人而令人兴奋的领域。最近,这种兴奋已经转移到了量子信息领域。目前,所有关于机器学习量子版本的提议都利用了离散变量的有限维基底。在这里,我们将量子机器学习推广到更复杂但仍然非常实用的无限维系统。我们提出了一个全光子连续变量量子计算机的量子机器学习算法的关键子程序,实现了指数级的加速比与他们的等效经典同行。最后,我们还绘制了一个实验性的实现,可以作为未来的光子演示的蓝图。
Simultaneous Quantum Machine Learning Training and Architecture Discovery
随着门控量子机器学习的开始,这样一个系统的架构是一个悬而未决的问题。许多体系结构是临时创建的,或者直接与已知的经典体系结构类似。这里提出了一种新的算法,它学习门控量子机器学习架构,同时学习其参数。这个概念的证明和它的一些变化进行了探索和讨论。
Error mitigation for quantum kernel based machine learning methods on IonQ and IBM quantum computers
核方法是大多数经典机器学习算法的基础,如高斯过程(GP)和支持向量机(SVM)。由于噪声中间尺度量子(NISQ)器件设计的最新进展,使用NISQ器件的计算内核引起了相当大的关注。然而,当前NISQ设备上的噪声和错误会对预测的内核产生负面影响。在本文中,我们利用两个量子核机器学习(ML)算法来预测两个不同的NISQ设备上的乳腺癌数据集的标签:量子核高斯过程(qkGP)和量子核支持向量机(qkSVM)。我们估计了11量子位IonQ和5量子位IBMQ Belem量子器件的量子内核。我们的研究结果表明,与非错误缓解的对应算法相比,错误缓解的量子内核机器学习算法的预测性能显着提高。在这两个NISQ设备的预测性能变得可比的无噪声量子模拟器和他们的经典同行
A quantum speedup in machine learning: Finding a N-bit Boolean function for a classification
我们比较了用于学习N位布尔函数的量子和经典机器,以解决量子系统如何改善机器学习行为的问题。这两种机器包含相同数量的操作和控制参数,但只有量子机器利用由幺正算符自然诱导的量子相干性。我们表明,量子叠加使量子学习比经典学习更快,通过扩大近似解区域,即,可接受的区域。这也证明了一个标准的反馈模型,即随机搜索,和一个实际的模型,即差分进化的数值模拟。
Teleportation using continuous variable quantum cloning machine
利用连续变量量子克隆机(变换)产生的三模纠缠,可以实现相空间中未知量子态的隐形传态。此外,继续我们的隐形传态协议,我们能够提高保真度的隐形传态获得的Look等人。84,3482(2000)]。本文还研究了克隆机输出的两个拷贝之间的纠缠。
Quantum chaos in quantum Turing machines
本文研究了一种双自旋量子图灵体系,其中图灵头自旋的离散局域旋转α m与量子控制的NOT操作交替进行.我们证明了一个单一的混沌参数输入α_m导致整个希尔伯特空间的混沌动力学。
Maximally efficient quantum thermal machines: The basic principles
根据Skrzypczyk等人的结果,arXiv:1009.0865,某些自包含量子热机可以达到卡诺效率,我们讨论了自包含量子热机的功能,并在非常一般的情况下表明,它们可以达到卡诺效率极限。最重要的是,不需要机器运行的完整解析解;效率可以从非常少的基本和高度直观的方程中推导出来,这些方程抓住了问题的核心。
Deutsch's Universal Quantum Turing Machine (Revisited)
Deutsch、Feynman和Manin将量子计算视为一种通用物理模拟过程。许多关于量子图灵机的文章已经展示了这些机器如何在有限数量的量子比特上模拟任意的幺正变换。这个有趣的问题在Deutsch的一篇论文中得到了最著名的讨论,后来由Bernstein和Vazirani提出。量子图灵机形成了一个与确定性和概率图灵机密切相关的类别,人们可能希望在这个类别中找到一个通用机器。通用机器是可编程性概念的基础。在何种程度上的普遍性,实际上已经建立了该领域的先驱检查和一个关键的概念,在理论计算机科学(普遍性)进行审查。在即将发表的论文中,作者还将考虑量子门模型中的普适性。
Quantum machine learning for quantum anomaly detection
异常检测用于识别偏离“正常”数据模式的数据。它对经典数据的使用在许多重要领域中找到了不同的应用,如欺诈检测,医疗诊断,数据清理和监控。随着量子技术的出现,以量子态形式的量子数据的异常检测可能成为量子应用的重要组成部分。机器学习算法在使用经典数据的异常检测中发挥着关键作用。核主成分分析和单类支持向量机是两种广泛使用的算法。我们找到了相应的量子算法来检测量子态中的异常。我们证明了这两种量子算法都可以利用量子态维数对数的资源来实现。对于纯量子态,这些资源也可以是用于训练机器学习算法的量子态的数量的对数。这使得这些算法可能适用于大量子数据应用。
Reconsider HHL algorithm and its related quantum machine learning algorithms
求解线性方程组的HHL量子算法是许多量子机器学习算法中的重要子程序。在这项工作中,我们提出并分析了其他几个警告HHL算法,这在过去被忽视。讨论了它们对HHL算法和几种相关量子机器学习算法的效率、精度和实用性的影响。我们还发现,这些警告影响HHL算法比已经注意到的警告更深。为了在HHL算法的基础上获得更实用的量子机器学习算法,我们应该更多地注意这些注意事项。
Machine and quantum learning for diamond-based quantum applications
近年来,由于计算能力和数据可用性的增长,机器和量子学习已经获得了相当大的发展势头,并且在解决识别和分类类问题以及需要复杂的战略规划的问题方面表现出了非凡的能力。在这项工作中,我们讨论和分析了机器和量子学习在基于钻石的量子技术发展中所起的作用。这一点很重要,因为金刚石及其可光学寻址的自旋缺陷正成为量子信息、计算和计量学中基于固态的应用的主要硬件候选者。通过选定的一些演示,我们表明机器和量子学习正在导致测量速度和精度的实际和根本性的改进。这对于量子应用至关重要,特别是对于那些相干时间和信噪比是稀缺资源的应用。我们总结了一些最突出的机器和量子学习方法,这些方法有助于所提出的进展,并讨论了它们在拟议和未来量子应用中的潜力。
Can error in quantum deletion machines be beneficial for deletion?
本文提出了一种广义的依赖于输入状态的删除机--概率量子删除机。以Pati-Braunstein删除机为基准,用删除概率和错误删除概率刻画了该机器。据观察,有一些参数,其中删除错误的增加可以增加删除的保真度。它还表明,Pati-Braunstein删除机是很容易推导出一定值的删除概率。此外,删除机可以提供更好的保真度比Pati-Braunstein删除机的任何输入状态与正确的参数。
Quantum Turing Machines: Local Transition, Preparation, Measurement, and Halting
量子图灵机的理论基础进行了研究。讨论了量子图灵机的制备和测量协议。局部转移函数的特点是完全一般的量子图灵机。提出了一种新的停机协议,而不增加停机量子位,并证明其工作而不破坏计算。
IS THERE A CLASSICAL ANALOG OF A QUANTUM TIME-TRANSLATION MACHINE?
在最近的一篇文章[D。Suter,Phys. Rev. { \bf A 51},45(1995)] Suter声称提出了量子时间翻译机的光学实现,其"显示了一般概念预测的所有特征,并且除了量子力学之外还允许经典描述。有人认为,苏特提出并完成的实验不具有量子时间平移机的特征,后者也没有经典的类似物。
The Power of One Qubit in Machine Learning
核方法在经典机器学习中得到了广泛的应用,尤其是在模式分析领域。在本文中,我们提出了一种基于核的量子机器学习算法,可以在短期,中等规模的量子设备上实现。我们的建议是基于估计经典难处理的核函数,使用一个有限的量子模型称为确定性量子计算与一个量子位。我们的方法提供了一个框架,研究的作用,量子相关性以外的量子纠缠的机器学习应用。
Machine Learning for Precise Quantum Measurement
自适应反馈方案是有前途的量子增强测量,但设计复杂。机器学习可以在经典环境中自主生成算法。在这里,我们调整机器学习的量子信息,并使用我们的框架来生成自主自适应反馈方案的量子测量。特别是我们的方法取代了猜测量子测量的逻辑,全自动,可编程的例程。我们表明,我们的方法产生的方案,优于最知名的自适应方案的干涉相位估计。
Quantum algorithms for supervised and unsupervised machine learning
机器学习任务经常涉及在高维空间中操作和分类大量向量的问题。经典的算法解决这类问题通常需要时间多项式的向量的数量和空间的维数。量子计算机擅长在大型张量积空间中操纵高维向量。本文提供了用于聚类分配和聚类发现的有监督和无监督量子机器学习算法。量子机器学习在向量数量和维度上都需要对数时间,这是经典算法的指数加速。
Quantum machine learning with indefinite causal order
针对固定量子门顺序限制量子机器学习性能的问题,该研究引入不定因果序以提升性能,改进现有模拟协议实现该机制并验证其对学习任务的积极作用,为量子机器学习中的量子效应研究提供参考。
Optical implementation of continuous-variable quantum cloning machines
我们提出了高斯连续变量量子克隆机的光学实现。我们构造了一个对称的N -> M克隆机,它可以最优地克隆相干态,我们还提供了一个非对称的1 -> 2克隆机的显式设计。所有提出的克隆设备可以建立从一个单一的非简并光学参量放大器和几个分束器。
Is quantum advantage the right goal for quantum machine learning?
机器学习经常被列为量子计算最有前途的应用之一。这实际上是一个奇怪的选择:今天的机器学习算法在实践中是出了名的强大,但在理论上仍然很难研究。相比之下,量子计算并没有在现实规模上提供实用的基准,理论是我们判断它是否与问题相关的主要工具。从这个角度来看,我们解释了为什么很难用我们目前使用的工具来描述量子计算机在机器学习中的实际能力。我们认为,这些挑战需要一个关键的辩论,是否量子优势和“击败”经典机器学习的叙述应该继续主导文献的方式,并强调现有研究中的其他观点如何提供一个重要的替代优势。
Light-cone feature selection for quantum machine learning
提出一种面向量子机器学习的光锥特征选择方法,将量子模型的光锥视为特征并通过训练局部量子核进行选择,在四个应用中验证了其多功能性,为量子机器学习的实际应用铺平道路。
Blind quantum machine learning
盲量子机器学习(BQML)使一个几乎没有量子技术的经典客户端能够将一个远程量子机器学习委托给量子服务器,从而保护隐私数据。在这里,我们提出了第一个BQML协议,客户端可以分类的二维向量到不同的集群,诉诸远程小规模光子量子计算处理器。在协议过程中,客户端只需要旋转和测量单个量子位。协议是安全的,不会泄露任何相关信息给夏娃。任何试图拦截和干扰学习过程的窃听者都可以被注意到。原则上,该协议可用于高维向量的分类,为量子机器学习提供了新的视角和应用。
Dissipative quantum bifurcation machine: Quantum heating of coupled nonlinear oscillators
最近提出了一种无耗散非线性振子驱动网络,用于求解通过其分岔点的量子绝热演化的组合优化问题。在这里,我们研究的行为的量子分岔机的存在耗散。我们的数值研究表明,耗散量子分岔机的输出概率分布是玻尔兹曼型的,其中玻尔兹曼分布中的能量对应于优化问题的成本函数。我们解释玻尔兹曼分布的量子加热的概念,在一个单一的振荡器的情况下,多个耦合振荡器。目前的结果还表明,这种驱动耗散非线性振荡器网络可以应用于玻尔兹曼采样,这是使用,例如,人工智能领域的玻尔兹曼机器学习。
A local model of quantum Turing machines
在矩阵乘积态的框架下,介绍了局域图灵机模型,包括经典图灵机和量子图灵机。局部性是指在任何计算实例中,图灵机的头都有确定的位置。用仿真方法证明了局部图灵机与相应的电路模型和图灵机的标准模型是等价的。这项工作揭示了张量网络状态和信息处理之间的基本联系。
Benchmarking Quantum and Classical Machine Learning Models on Oncological Data
本研究开发公平基准测试方法,对比量子与经典机器学习模型在三类肿瘤数据集上的表现,未发现量子优势,建议优先分析高维度、更符合生物学实际的数据集以推进实用量子优势研究。
Quantum Boltzmann Machine
受经典玻尔兹曼分布的玻尔兹曼机的成功启发,提出了一种基于横场伊辛哈密顿量的量子玻尔兹曼分布的机器学习方法.由于量子力学的非对易性质,量子玻尔兹曼机(QBM)的训练过程可以变得非平凡。我们通过引入量子概率的界来规避这个问题。这允许我们通过采样有效地训练QBM。我们展示了使用精确对角化的有界和无界QBM训练的例子,并将结果与经典玻尔兹曼训练进行了比较。我们还讨论了使用量子退火处理器如D-Wave进行QBM训练和应用的可能性。
A Kerr kernel quantum learning machine
本文提出一种基于超导量子电路中克尔耦合模式模拟特性的量子核实现方案,无需量子比特或量子电路,通过随机量子控制直接采样量子概率,为连续变量量子机器学习提供非经典核矩阵。
Quantum Machine Learning for Electronic Structure Calculations
考虑到最近在开发用于电子结构计算的有效量子算法方面的进展和成功--以及使用机器学习技术进行计算的令人印象深刻的结果--将量子计算与机器学习混合用于执行电子结构计算是一个自然的进展。在这里,我们报告了一个混合量子算法采用限制玻尔兹曼机获得准确的分子势能面。利用量子算法优化目标函数,得到了一个计算小分子体系电子基态能量的有效方法。我们的方法实现了高精度的基态能量的H $_2$,LiH,H $_2$ O在其势能面上的特定位置与有限的基组。随着未来更大规模量子计算机的可用性,量子机器学习技术将成为获得电子结构精确值的强大工具。
Measurement-Based Quantum Turing Machines and Questions of Universalities
量子测量是量子计算的普遍方法。这种普适性允许替代方案的传统的三步组织的量子计算:初始状态的准备,幺正变换,测量。为了将这些其他形式的计算形式化,同时指出经典控制在基于测量的计算中的作用和必要性,以及为了建立量子普适性所需的最小资源的新上界,引入了基于测量的量子图灵机的形式化模型.
Thermalizing Quantum Machines: Dissipation and Entanglement
我们使用量子信息理论的工具研究了量子系统向热平衡的弛豫。我们考虑一个模型,其中系统是一个量子位,并达到平衡后,几个连续的两个量子位的相互作用(热化机)与量子位的水库。我们的特点完全家庭的热化机。该模型显示了耗散,波动和机器可以产生的最大纠缠之间的紧密联系。讨论了量子信息过程和经典信息过程之间的相互作用,从而产生了实际的不可逆性。
Reconstructing Quantum States Using Basis-Enhanced Born Machines
量子硬件的快速改进为复杂问题打开了大门,但量子系统本身的精确表征仍然是一个挑战。为了解决这个障碍,已经开发了采用生成机器学习模型的新颖的断层扫描方案,使得能够从有限的经典数据重建量子态。特别是,受量子启发的玻恩机提供了一种将测量数据编码到量子态模型中的自然方式。玻恩机器在从经典数据中学习方面取得了巨大的成功;然而,玻恩机器在从量子测量中学习方面的全部潜力迄今尚未实现。为此,我们设计了一个复值基增强玻恩机,并证明了它可以重建纯量子态使用投影测量从只有两个泡利测量基地。我们实现了基础增强的玻恩机,以学习整个里德伯原子的一维链的相图的基态,重建量子态深入有序的阶段,甚至在临界点与量子态超过99%。该模型准确地预测了量子相关性和不同的可观测量,并考虑了高达37个量子比特的系统大小。利用该方案还成功地重建了一维XY自旋链相图上的量子态。我们的方法只需要简单的泡利测量与样本的复杂性,规模平方与系统的大小,使其适合实验实施。
Generative Quantum Machine Learning
生成式机器学习的目标是对给定数据集的概率分布进行建模。该概率分布有助于表征数据样本的生成过程。虽然经典生成机器学习仅基于经典资源,但生成量子机器学习也可以采用量子资源-例如参数化的量子信道和量子运算符-从感兴趣的概率模型中学习和采样。生成(量子)模型的应用是多方面的。经过训练的模型可以生成与给定数据兼容的新样本,并扩展数据集。此外,学习用于数据集的生成过程的模型可以提供关于对应属性的有趣信息。在量子资源的帮助下,相应的生成模型可以访问经典计算机难以评估的功能,并可能提高性能或带来新的见解。此外,生成量子机器学习可以应用于将经典数据有效地近似加载到量子态中,这可以帮助避免(潜在地呈指数级地)昂贵的精确量子数据加载。这篇博士论文的目的是开发新的生成量子机器学习算法,证明它们的可行性,并分析它们的性能。此外,我们还概述了它们在高效、近似量子数据加载方面的潜在应用。更具体地说,我们介绍了一个量子生成对抗网络和量子玻尔兹曼机的实现,这两个都可以实现与参数化的量子线路。这些算法与第一代量子硬件兼容,因此,使我们能够研究概念实现的证明,不仅与数值量子模拟,而且真正的量子硬件今天可用。
Cost function embedding and dataset encoding for machine learning with parameterized quantum circuits
机器学习被认为是量子计算的一个有前途的应用。对于近期有噪声的中尺度量子(NISQ)器件,参数化量子线路(PQC)由于其鲁棒性和易于实现而被提出作为机器学习模型。然而,成本函数通常从重复测量结果经典地计算,使得其不再以量子态编码。这防止了量子计算机直接操纵该值。为了解决这个问题,我们给出了一个例程,将机器学习的成本函数嵌入到量子线路中,该量子线路接受以叠加或易于分解的混合状态编码的训练数据集。我们还展示了在量子态中评估编码成本函数的梯度的能力。
Synergy of machine learning with quantum computing and communication
本文针对量子计算与通信交叉领域的认知缺口,全面综述了经典机器学习模型在量子纠错、量子通信等场景的前沿应用,并指出当前挑战可转化为未来研究方向。
Tomography and Generative Data Modeling via Quantum Boltzmann Training
量子神经网络利用量子效应对复杂数据集进行建模,其前景使其发展成为量子机器学习和一般量子计算的理想目标。在这里,我们提供了新的方法来训练量子玻尔兹曼机,这是一类递归量子神经网络。我们的工作概括了现有的方法,并为训练量子神经网络提供了新的方法,这些方法与现有方法相比毫不逊色。我们进一步证明,量子玻尔兹曼机使一种形式的量子态层析成像,不仅估计的状态,但提供了一个perscription用于生成副本的重建状态。经典的玻尔兹曼机无法做到这一点。最后,我们比较小的非随机量子玻尔兹曼机传统玻尔兹曼机的生成任务,并观察到的证据表明,量子模型优于他们的经典同行。
Measurement-Based Quantum Turing Machines and their Universality
量子测量是量子计算的普遍方法。这种普适性允许替代方案的传统的三步组织的量子计算:初始状态的准备,幺正变换,测量。为了将这些其他形式的计算形式化,同时指出经典控制在基于测量的计算中的作用和必要性,以及为了建立量子普适性所需的最小资源的新上界,引入了基于测量的量子图灵机的形式化模型.
扫码添加微信好友,提出您的宝贵建议 👇
💡 备注请填写:网站反馈
发表机构由 AI 从论文文本抽取,如发现错误,欢迎反馈修正建议。