Variational Quantum Circuits
PulseAugur coverage of Variational Quantum Circuits — every cluster mentioning Variational Quantum Circuits across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法仅用数据优化变分量子电路
研究人员开发了一种数据驱动的方法来选择变分量子电路（VQC），无需对大量候选电路进行广泛训练。该方法使用基于数据集傅里叶系数和量子费舍尔信息矩阵的三条规则来确定最佳 Ansatz 和深度。对于 Madelon 数据集，该方法在没有传统网格搜索的情况下，设计了一个具有 239 个参数的分类器，测试准确率为 78.5%，并且消融实验证实了预测电路组件的有效性。
-
量子-经典模型融合精度提升高达6.03%
研究人员开发了一种新的方法，用于组合多个量子与经典机器学习模型以提高预测精度。这种方法称为组合融合分析（CFA），利用了不同量子电路架构和经典模型的结构多样性。在四个二元分类任务上的实验表明，融合模型持续优于最佳的单个模型，精度提升高达6.03%。
-
量子电路赋能多模态AI在组合概念上的泛化能力
研究人员开发了Mu-DisCoCat，一个利用变分量子电路在多模态AI系统中实现组合概念泛化（CoCoGen）的新框架。该方法通过将传统组合语义模型的扩展瓶颈映射到量子电路上来解决这些问题。该框架从图像-文本对中学习对象表示，然后利用这些表示来理解多对象场景中的关系，展示出比现有基线更高的分布外准确率。在嘈杂的量子模拟器和IBM Marrakesh处理器上的实验表明，硬件执行的模型与模拟保真度保持了很强的相关性，预示着其在近期量子硬件…
-
新的量子神经网络架构可适应输入数据
研究人员推出了一种新的量子神经网络架构 QFWP-ANO，该架构可以根据输入数据动态调整其参数和非局部可观测量。这种方法在最近的一篇 arXiv 论文中有所详细介绍，旨在克服现有量子神经网络中静态可观测量量的局限性。在时间序列预测和强化学习任务上的实验表明，QFWP-ANO 的表现优于传统的基于 ANO 的方法和其他强有力的基线，证明了其在增强量子机器学习能力方面的有效性。
-
四元数网络在视觉任务上表现优于量子电路
研究人员将四元数神经网络与浅层变分量子电路（VQC）在经典监督学习任务上的性能进行了比较。研究发现，在MNIST、Fashion-MNIST和CIFAR-10等基准测试中，四元数网络的性能普遍能媲美或接近实值神经网络的性能。相比之下，浅层VQC的准确率较低，计算成本较高，这表明共享的局部SU(2)几何结构不足以在这些场景中带来实际的量子优势。
-
New geometric approach to learning in neural networks and quantum circuits
研究人员开发了一种新颖的机器学习方法，将深度神经网络和变分量子电路视为乘积 Wasserstein 流形上的梯度流。这种几何视角将权重分布视为内在几何结构，而不仅仅是约束，从而可能增强模型容量。该研究为深度网络引入了分层平均场描述，并将其扩展到量子领域，提出了分层 DisCo-SGD 和 Quantum DisCo 等实用算法。实验表明，该方法提高了泛化能力，稳定了训练，并缓解了量子神经网络中的贫瘠平原问题。
-
新的量子电路ansatz提供了可调的训练性
研究人员引入了一种新的变分量子电路ansatz，称为堆叠酉线性组合（S-LCU）。这种S-LCU旨在解决量子计算中训练性和经典可模拟性之间的根本权衡问题。所提出的方法允许在 barren plateaus 和经典模拟复杂度之间进行可调的平衡，为从业者提供了一种系统性的方法来构建适合其特定应用和硬件的ansatz。
-
新的贝叶斯优化框架增强量子电路设计
研究人员开发了一个新颖的框架，使用基于图的贝叶斯优化来优化量子电路架构。该方法采用图神经网络（GNN）代理来表示和改进量子电路，然后在网络安全数据集上进行评估。与MLP和随机搜索等传统方法相比，GNN指导的方法始终能识别出复杂度较低且精度相当或更好的电路。该框架的鲁棒性通过对各种量子噪声通道的噪声研究得到了进一步验证，确保了自动化量子电路发现的可扩展且可解释的路径。
-
量子电路在人工智能生成模型中展现出潜力和挑战
研究人员正在探索将量子电路集成到人工智能模型中，特别是在图像合成和量子电路优化等生成任务方面。一项关于量子电路合成的研究发现，虽然Transformer模型可以为某些量子电路实现高保真度，但由于自回归漂移，它们在离散门方面难以实现精确等价，尽管数据缩放和推理时间策略可以部分缓解。另一项研究调查了在扩散模型中使用变分量子电路进行图像生成，发现其性能与经典模型相当，但没有明显的参数效率优势。这项工作还识别并解决了基于分数的模型中量子调制器…
-
新方法简化了视觉量子强化学习
研究人员开发了一种分阶段的知识蒸馏策略来改进视觉量子强化学习（QRL）。该方法首先训练一个经典的视觉模型，然后利用其编码器来指导训练更小、与量子兼容的学生模型。这种方法简化了复杂视觉环境的训练过程，使得浅层变分量子电路能够在没有像素端到端直接训练的情况下实现显著的控制行为。
-
新的量子图神经网络框架有望实现可扩展性和表达能力
研究人员开发了一种新颖的消息传递量子图神经网络 (QGNN) 框架，该框架旨在实现可扩展性和表达能力。这种新的 QGNN 具有排列等变性，并且可以精确地定位在 Weisfeiler-Leman 层级中，这是图区分的标准度量。该框架通过引入预训练策略解决了变分量子电路中常见的可训练性问题，并通过多达 56 个量子比特的大规模模拟进行了验证。
-
新型量子启发式模型实现可扩展序列学习
研究人员开发了一个名为 gated QKAN-FWP 的新型量子启发式序列学习框架，该框架将快速权重编程器 (FWP) 与量子启发式 Kolmogorov-Arnold 网络 (QKAN) 相结合。该方法利用单量子比特数据重新上传电路作为非线性激活，并结合标量门控更新规则以实现稳定的参数演化。该框架在时间序列预测（包括太阳周期预测）方面表现出色，其参数量远少于经典模型，但性能更优。
-
量子机器学习论文探讨工业应用
一篇新论文探讨了面向工业应用的量子机器学习（QML），解决了可训练性、表现力和经典模拟抗性方面的挑战。它介绍了保持子空间的QML算法，包括光子电路和量子卷积神经网络，旨在提供多项式量子优势。该研究还分析了变分量子电路作为量子傅里叶模型，确立了量子模型可证明地与经典模型分离的条件。
-
量子电路增强分层强化学习智能体，节省参数
研究人员开发了一种混合分层强化学习智能体，将变分量子电路集成到其架构中。该方法使用量子电路替代经典组件，用于特征提取和策略估计等任务。评估表明，量子特征提取器可以提高性能，同时显著减少可训练参数的数量，尽管量子选项值估计存在架构挑战。