量子机器学习相关的最近研究动态(复数篇论文的一些简单整理)

1【基于少量训练数据的量子机器学习泛化】link

现代量子机器学习(QML)方法包括对训练数据集上的参数化量子电路进行变分优化,然后对测试数据集进行预测(即泛化)。在这项工作中,作者对有限数量N个训练数据点训练后QML的泛化性能进行了全面研究。它们证明,具有T个可训练门的量子机器学习模型的泛化误差最坏的规模为 T / N \sqrt{T/N} T/N。在优化过程中,当只有K≪T型门发生了重大变化时,作者证明泛化误差改善至 K / N \sqrt{K/N} K/N。作者的结果表明,将单位单位编译成多项式数量的原生门(通常使用指数级训练数据的量子计算行业的一个关键应用)可以显著加快。作者还表明,用量子卷积神经网络对相变中的量子态进行分类只需要一个非常小的训练数据集。其他潜在的应用包括学习量子纠错码或量子动力学模拟。作者的工作为QML领域注入了新的希望,从少量的训练数据中保证了良好的泛化。

2【通过压缩感知的量子态断层扫描】link
建立了基于压缩感知的量子态层析成像方法。这些方法专门针对相当纯粹的量子态,它们在大型量子系统上提供了显著的性能改进。特别是,与需要2d设置的标准方法相比,他们能够使用 O ( r d l o g 2 d ) O(rdlog^2d) O(rdlog2d)测量设置重建维度d和秩r的未知密度矩阵。作者的方法有几个特点:它们只需要简单的泡利测量,使用快速凸优化,抗噪声稳定,并且可以应用于仅约低秩的状态。所获得的数据可以用来证明状态确实接近纯净,因此不需要先验假设。

3【量子机器学习】link
早在作者拥有计算机之前,人类就努力在数据中寻找模式。托勒密将观测到的恒星运动与宇宙的地心说模型相吻合,用复杂的周转来解释行星的逆行运动。在16世纪,开普勒分析了哥白尼和布拉赫的数据,揭示了一个以前隐藏的模式:行星以椭圆运动,太阳在椭圆的一个焦点上。对天文数据的分析揭示了这种模式,从而产生了数学技术,如求解线性方程的方法(牛顿-高斯),通过梯度下降学习最优算法(牛顿),多项式插值(拉格朗日)和最小二乘拟合(拉普拉斯)。19世纪和20世纪初产生了广泛的数学方法来分析数据,以揭示数据所包含的模式。
在计算机能力不断增强和算法进步的推动下,机器学习技术已经成为在数据中寻找模式的强大工具。量子系统产生的非典型模式被认为是经典系统无法有效产生的,因此有理由假设量子计算机在机器学习任务上可能优于经典计算机。量子机器学习领域探索如何设计和实现量子软件,使机器学习比经典计算机更快。最近的工作已经产生了量子算法,可以作为机器学习程序的构建模块,但硬件和软件的挑战仍然相当大。

4【机器学习导论】link
机器学习算法从示例中学习所需的输入-输出关系,以解释新的输入。这对于图像和语音识别或策略优化等任务非常重要,这些任务在IT行业的应用越来越多。在过去的几年里,研究人员研究了量子计算是否可以帮助改进经典的机器学习算法。从在量子计算机上高效地运行计算成本高昂的算法或它们的子程序,到将随机方法转换为量子理论的语言,这些想法都有。这篇文章系统地概述了量子机器学习这一新兴领域。它以一种易于理解的方式介绍了方法以及技术细节,并讨论了未来量子学习理论的潜力。

5【量子机器学习的挑战和机遇】Link
在机器学习和量子计算的交叉领域,量子机器学习具有加速数据分析的潜力,特别是对于量子数据,应用于量子材料、生物化学和高能物理。然而,量子机器学习模型的可训练性仍然存在挑战。在这里,作者回顾了目前量子机器学习的方法和应用。作者强调了量子和经典机器学习之间的区别,重点是量子神经网络和量子深度学习。最后,作者讨论了量子机器学习的量子优势机会。

6【量子机器学习的经典视角解读】Link
最近,计算能力和数据可用性的提高,以及算法的进步,使得机器学习(ML)技术在回归、分类、数据生成和强化学习任务方面取得了令人印象深刻的结果。尽管取得了这些成功,但随着芯片制造的物理极限以及数据集规模的不断增加,越来越多的研究人员正在探索利用量子计算的力量来加速经典ML算法的可能性。在这里,作者回顾了量子机器学习的文献,并讨论了经典机器学习和量子计算专家的混合读者的观点。重点将放在阐明量子算法的局限性,如何与最佳经典算法进行比较,以及为什么量子资源有望为学习问题提供优势。在存在噪声的情况下学习和机器学习中某些计算困难的问题被认为是该领域有前途的方向。实际问题,如如何将经典数据上传到量子形式,也将得到解决。

7【量子机器学习的最新进展】Link
机器学习是人工智能的一个分支,在许多科学和工程领域都有广泛的应用,如数据挖掘、自然语言处理、计算机视觉、生物分析等。量子计算机被认为是人类在不久的将来最有前途的技术之一。随着机器学习和量子计算的发展,研究人员考虑将这两个方面结合起来,以获得更多的好处。因此,一门新的交叉学科——量子机器学习应运而生。本文综述了量子机器学习算法的研究现状,并从计算机科学领域人士的角度展示了从基本量子信息到量子机器学习算法的研究路径。

8【分布式安全量子学习】link
分布式安全量子机器学习(DSQML)使传统客户端能够使用很少的量子技术将远程量子机器学习委托给量子服务器,并保留隐私数据。此外,DSQML可以扩展到客户端没有足够数据的更普遍的情况,并利用远程量子服务器和远程数据库来执行安全的机器学习。在这里,作者提出了一个DSQML协议,客户端可以将二维向量分类到不同的集群,借助于一个远程的小尺度光子量子计算处理器。协议是安全的不会泄露任何相关信息给Eve。任何试图拦截和干扰学习过程的窃听者都会被发现。原则上,该协议可用于高维向量分类,可能为未来的“大数据”提供一种新的观点和应用。

9 【量子计算与量子神经网络的飞跃:综述】link
近年来,量子计算在可用资源和算法开发方面取得了巨大的进步。利用量子现象解决计算问题的能力是一个长期以来的梦想,自80年代末以来就引起了科学界的兴趣。在这方面,作者提出作者的贡献。首先,作者介绍了与量子计算相关的基本概念,然后作者解释了实现门模型和绝热量子计算范式的技术的核心功能。最后,作者收集、比较和分析了目前关于量子感知器和量子神经网络实现的最新技术。

10【量子机器学习中的泛化:量子信息的观点】link
量子分类和假设检验(状态和通道判别)是两个紧密相关的主题,主要的区别在于前者是数据驱动的:如何为量子态ρ (x)分配对应的类c(或假设)是在训练过程中从示例中学习到的,其中x可以是可调的实验参数,也可以是“嵌入”到量子态中的经典数据。这个模型可以推广吗?这是任何数据驱动策略的主要问题,即预测正确类别的能力,即使是以前未见过的状态。在这里,作者建立了量子分类和量子信息论之间的联系,通过表明量子分类器的准确性和泛化能力取决于量子状态空间Q和经典参数空间X或类空间C之间的(Rényi)互信息 I ( C : Q ) I (C: Q) I(C:Q) I 2 ( X : Q ) I_2 (X: Q) I2(X:Q)。基于上述特征,作者然后展示Q的不同属性如何影响分类精度和泛化,例如希尔伯特空间的维数,噪声的数量,以及来自X via的被忽略的信息量,例如池化层。此外,作者还引入了信息瓶颈原理的量子版本,使作者能够探索准确性和泛化之间的各种权衡。最后,为了验证作者的理论预测,作者研究了Ising自旋链的量子相位分类,并提出了变分量子信息瓶颈方法来优化经典数据的量子嵌入,以促进泛化。

11【经典机器学习vs量子机器学习】link
在不断增长的计算能力和算法开发的鼓励下,机器学习技术已经成为广泛应用领域的强大工具,从农业到化学和自然语言处理。利用量子系统使用机器学习算法来处理经典数据已经催生了一个新兴的研究领域,即量子机器学习。尽管量子机器学习起源于经典数据的处理,但它也探索了在学习系统中使用量子现象,使用量子计算机对量子数据进行学习,以及如何在量子计算机上制定和实现机器学习算法和软件。量子机器学习可以对计算机科学产生变革性的影响。它可以大大加快信息处理的速度,远远超过现有的经典速度。最近的工作已经见证了量子算法的发展,这些算法可以作为机器学习应用的基础。尽管前景广阔,但在量子机器学习成为现实之前,仍有重大的硬件和软件挑战需要解决。在本文中,作者从经典方法的角度对量子机器学习进行了概述。从机器学习和量子计算的基本概念出发,作者讨论了该领域研究工作的各种技术贡献、优势和相似之处。作者还详细介绍了不同量子机器学习方法的最新进展,它们的复杂性,以及在物理、化学和自然语言处理等各个领域的应用。

12 【无线维度的量子机器学习】link
机器学习是计算机科学中一个令人着迷和激动人心的领域。最近,这种兴奋已经转移到量子信息领域。目前,所有关于机器学习的量子版本的建议都利用了离散变量的有限维基板。这里作者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。作者提出了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,可以在经典算法多项式扩展的情况下导致指数级加速。最后,作者还绘制了一个实验实现,可作为未来光子演示的蓝图。

13【药物发现领域的量子机器学习】link
越来越多的公共和私人数据集中于针对生物靶标或整个生物体筛选的小分子,这为药物发现提供了丰富的相关数据。这与支持向量机(SVM)和深度神经网络(DNN)等机器学习算法的可用性相匹配,这些算法在具有数千个分子描述符的非常大的数据集上执行计算成本很高。量子计算机(QC)算法被提出来提供一种超越经典计算机(CC)算法的加速量子机器学习的方法,然而有很大的局限性。在广泛应用于药物发现的化学信息学中,需要克服的挑战之一是需要压缩用于QC的大量分子描述符。在这里,作者展示了如何使用SVM和以CC和混合方法为基准的QC上的数据重加载分类器(DNN等效算法),从使用数百个分子(SARS-CoV-2)的数据集实现压缩到数十万个分子(鼠疫和结核分枝杆菌的全细胞筛选数据集)。这项研究说明了“量子计算机准备就绪”所需的步骤,以便将量子计算应用于药物发现,并为建立这一领域提供基础。

作者:Chahot原文地址:https://blog.csdn.net/Chahot/article/details/128742088

%s 个评论

要回复文章请先登录注册