Variational Quantum Circuits
PulseAugur coverage of Variational Quantum Circuits — every cluster mentioning Variational Quantum Circuits across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。