Parameterized Quantum Circuits
PulseAugur coverage of Parameterized Quantum Circuits — every cluster mentioning Parameterized Quantum Circuits across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
纠缠而非参数决定量子策略泛化能力
一项新的研究论文提出，在量子强化学习策略中，决定泛化能力的关键因素是纠缠，而不是参数的数量。该研究引入了一个PAC-贝叶斯框架，其中受纠缠影响的Fisher几何的有效维度决定了训练-测试差距。实验表明，即使纠缠电路的参数数量与非纠缠电路相同，其泛化能力也往往较差，这一发现已在IBM Heron量子处理器上得到验证。
-
新框架打破量子电路中的一维可表达性-可训练性权衡
研究人员证明了参数化量子电路（PQC）的可表达性和可训练性不受一维权衡的限制。他们提出了一个新框架，将纠缠能力（EP）和纠缠能力偏差（EPD）分离为不同的设计旋钮。这使得在出现无地平线（barren-plateau）条件之前达到高覆盖率，从而创建具有高可表达性且保持可训练性的PQC。
-
量子机器学习研究通过新框架解决贫瘠平原问题 · 跟踪 2 个来源
一篇新研究论文探讨了量子机器学习（QML）中的“表达能力-可训练性悖论”，即参数化量子电路（PQC）的巨大容量导致贫瘠平原和指数级平坦的梯度景观。通过综合动力学李代数（DLA）和几何量子机器学习，该研究建立了一个将电路生成器与优化动力学联系起来的框架。研究提出，嵌入群论几何先验作为结构正则化器，牺牲原始记忆能力以换取可扩展、富含梯度的训练景观，为量子神经网络的“设计驱动的可训练性”提供了途径。
-
量子纠缠提升病原体结合预测的机器学习能力
研究人员探索了纠缠在量子机器学习模型中对预测病原体表位-受体结合的影响。他们的研究聚焦于猪繁殖与呼吸综合征（PRRS）病毒，将经典的卷积神经网络（CNN）与混合量子神经网络（QNN）架构进行了比较。研究结果表明，具有高纠缠度的特征图，特别是全连接ZZ纠缠配置，表现出较低的训练集过拟合倾向，并在测试数据上保持了具有竞争力的准确性。尽管尚未确立普遍的量子优势，但该研究表明纠缠拓扑结构是设计稀疏生物筛选任务中有效QML模型的一个重要因素。
-
量子动态时间规整增强多元时间序列分类
研究人员开发了一种混合量子动态时间规整 (qDTW) 架构，以改进多元时间序列分类。这种新方法用量子希尔伯特空间的几何形状取代了传统的欧几里得距离，旨在更好地捕捉潜在的跨通道相关性。该架构包含一个统一的预嵌入伴随 Ansatz，将可训练的纠缠与经典数据解耦，从而缓解信息瓶颈。研究还确定了量子电路中空间和时间表达能力之间的权衡，并证明了他们的多元量子方法优于经典基线。
-
新框架利用李对称性进行高效量子电路梯度估计
研究人员开发了一个新的框架，用于估计参数化量子电路（PQC）中的梯度，该框架利用了李代数对称性。该方法使用Hadamard测试并分析矩阵指数的微分，将梯度表示为期望值的线性组合。该方法显著降低了测量成本，所需的采样次数相对于参数呈对数关系，并且与现有技术相比，在时间上提供了多项式加速。