Variational Quantum Algorithms
PulseAugur coverage of Variational Quantum Algorithms — every cluster mentioning Variational Quantum Algorithms across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新基准HamQASBench评估量子电路设计
研究人员推出HamQASBench，这是一个旨在评估量子架构搜索（QAS）方法的新诊断基准。与以往侧重于分子识别或量子比特数量的基准不同，HamQASBench使用哈密顿量结构将实例组织成五个层级。这种方法旨在识别参数化量子电路中的结构性故障，例如传统能量精度指标所忽略的过度参数化问题。该基准通过纠缠分析和状态保真度来补充能量评估，揭示了各种QAS方法中隐藏的故障模式。
-
量子成本景观中的峡谷为VQA预测带来改进
研究人员已识别并分析了变分量子算法（VQA）性能至关重要的量子成本景观中的“峡谷”。通过改编理论化学中的微扰弹性带（NEB）算法，他们可视化了连接量子神经网络（QNN）中局部极小的低成本路径。这种方法允许通过对峡谷中的QNN输出来进行平均来实现集成预测，与传统方法相比，提高了准确性并降低了计算成本。该研究还引入了一个预训练指标来预测VQA性能，并表明即使在QNN深度和量子比特数量增加的情况下，这些峡谷结构也依然存在。
-
量子核带土优化平衡表达能力与可学性
研究人员开发了使用量子核的高斯过程带土优化新方法，特别解决了嘈杂中等规模量子（NISQ）时代面临的挑战。该研究侧重于平衡量子核的表达能力与其可学性，而可学性可能因高维和复杂性而受阻。为解决此问题，该团队提出了投影量子核和经典核近似技术，这些技术在降低维度的同时保留了关键的量子特性。这些方法旨在提高样本效率并减少量子原生应用的计算开销。
-
新框架加速量子神经网络架构的优化搜索
研究人员开发了一个名为 MZeQAS 的新框架，用于高效搜索变分量子算法（VQA）的最优架构。该方法利用基于量子神经切线核（Quantum Neural Tangent Kernel）的零样本代理模型，无需完全训练即可估算候选电路的性能，从而显著降低了计算成本。MZeQAS 将这种基于代理的估算与蒙特卡洛树搜索（Monte Carlo Tree Search）相结合，以发现高性能的 VQA 架构，在近期的量子设备上，其效率和解决方案质…
-
新研究探索人工智能和量子计算在生成模型和控制中的应用
研究人员正在探索先进的机器学习技术来增强量子计算能力。一篇论文介绍了潜在条件参数化量子电路（LPQCs）作为量子态分布的通用逼近器，有望改进量子生成模型。另一项研究提出了一个用于鲁棒开放量子系统控制的多任务强化学习框架，在噪声环境中展示了高保真度。此外，一种名为CRiSP的新方法使用强化学习来优化变分量子算法的初始状态，优于现有方法。最后，量子强化学习被应用于过程合成问题，与经典方法相比显示出具有竞争力的可扩展性和效率。