量子计算论文之量子深度学习
“QDNN: deep neural networks with quantum layers” https://github.com/ChenZhao44/QDNN.jl
(1)可以一致逼近任意连续函数,并且比经典DNN具有更强的表示能力
(2)保留了经典DNN的非线性激活、多层结构和高效的反向传播训练算法等优点
(3)使用参数化量子电路(PQCs)作为基本构建模块,可以用于短期噪声中等规模量子(NISQ)处理器。
1、经典神经网络的量子加速:
(1)基于伊辛模型的网络(随机过程,非前馈网络)的加速:
a、Hopfield网络的量子算法
b、利用量子波兹曼机进行强化学习
(2)基于Simulate feedforward NNs的网络加速:
也可以使用量子神经网络,无量子优势
2、前馈网络的量子加速:
方法:
(1)多层感知机(https://link.aps.org/doi/10.1103/PhysRevA.100.012334. )
(2)卷积神经网络(arXiv preprint arXiv:1911.01117* (2019). )
存在的限制:
(1)Fault-tolerance QC
(2)Assumptions of QRAM(“Quantum Random Access Memory“,https://link.aps.org/doi/10.1103/PhysRevLett.100.160501.)
(3)non-linearity comes from the post-selection; depth is limited
3、前馈网络的量子类比
(1)前馈网络的量子模拟方法:“Training deep quantum neural networks”,https://doi.org/10.1038/s41467-020-14454-2。
在该模型中,神经网络是一个参数化的量子电路(PQC),将训练参数化的量子电路(PQCs),也被称为量子神经网络(QNNs)。
(2)不同于PQC的观点
a、量子化学与组合优化,
论文: “A variational eigenvalue solver on a photonic quantum processor”, https://doi.org/10.1038/ncomms5213. 还有论文:” A Quantum Approximate Optimization Algorithm“。
b、量子态分类器
论文:“Hierarchical quantum classififiers”2018、 “Supervised learning with quantum-enhanced feature spaces”2019、“Circuit-centric quantum classififiers”2020.
c、生成的机器学习模型
论文:“Difffferentiable learning of quantum circuit born machines”2018、 “Quantum generative adversarial networks”2018、“Quantum generative adversarial learning”2018