×
司徒、浩珍;黄志明;邹祥福;郑生根

基于梯度优化的SDC量子协议变分学习。 （英语） Zbl 1508.81195号

量子信息处理。 18，第7号，第230号论文，第10页（2019年）.
摘要：最近，一种变分学习方法被用来发现量子通信协议[K.H.Wan公司等，“前馈神经网络的量子泛化”，npj Quantum Inf.3，第36号论文，第8页（2017；文件编号：10.1038/s41534-017-0032-4)]. 由于手动设计量子协议是一项精细而困难的工作，因此这种变分学习方法非常值得进一步研究。在本文中，我们使用相同的方法学习具有两个或三个接收器的同时密集编码（SDC）协议。基于梯度的优化用于学习SDC协议锁定算子的参数。考虑了损失函数的两种不同设计。数值实验结果表明了这种变分学习方法的有效性。

引用于1文件

MSC公司：

81页40页 量子相干、纠缠、量子关联
81页68 量子计算
94甲15 信息论（总论）
68T05型 人工智能中的学习和自适应系统

关键词：

量子机器学习;量子协议;同时密集编码

软件：

阿达格拉德;亚当;PRMLT公司
PDF格式BibTeX公司 XML格式引用
\textit｛H.司徒｝等人，量子信息过程。18，第7号，第230号论文，第10页（2019年；Zbl 1508.81195）
全文： 内政部

参考文献：

[1] Biamonte，J.，Wittek，P.，Pancotti，N.，Rebentrost，P.、Wiebe，N.、Lloyd，S.：量子机器学习。《自然》549，195（2017）·doi:10.1038/nature23474网址
[2] Nielsen，M.A.，Chuang，I.L.：量子计算和量子信息。剑桥大学出版社，剑桥（2000）·Zbl 1049.81015号
[3] Bishop，C.M.：模式识别和机器学习。柏林施普林格出版社（2006）·Zbl 1107.68072号
[4] Wan，K.H.，Dahlsten，O.，Kristjánsson，H.，Gardner，R.，Kim，M.S.：前馈神经网络的量子泛化。npj Quantum Inf.3，36（2017）·文件编号：10.1038/s41534-017-0032-4
[5] Cincio，L.、Subasi，Y.、Sornborger，A.T.、Coles，R.J.：学习状态重叠的量子算法。新J.Phys。20, 113022 (2018) ·doi:10.1088/1367-2630/ae94a
[6] Morales，M.E.S.，Tlyachev，T.，Biamonte，J.：Grovers量子搜索算法的变分学习。物理学。版本A 98，062333（2018）·doi:10.1103/PhysRevA.98.062333
[7] Situ，H.Z.，Qiu，D.W.：同时密集编码。《物理学杂志》。数学。西奥。43, 055301 (2010) ·Zbl 1186.81030号 ·doi:10.1088/1751-8113/43/5/055301
[8] Situ，H.Z.：受控同步隐形传态和密集编码。国际J.Theor。物理学。53, 1003 (2014) ·Zbl 1284.81042号 ·doi:10.1007/s10773-013-1893-8
[9] Situ，H.Z.，Qiu，D.W.，Mateus，P.，Paunkovic，N.：安全的N维同时密集编码和应用。《国际量子信息》13，1550051（2015）·Zbl 1334.81026号 ·doi:10.1142/S0219749915500513
[10] Zhang，C.，Situ，H.Z.，Li，Q.，He，G.P.：双光子四量子比特簇态的高效同时密集编码和隐形传态。Int.J.Quantum Inf.14，1650023（2016）·Zbl 1349.81055号 ·doi:10.1142/S0219749916500234
[11] Yang，X.，Bai，M.Q.，Zuo，Z.C.，Mo，Z.W.：使用χ型纠缠态的安全同时密集编码。量子信息处理。17, 261 (2018) ·Zbl 1400.81038号 ·doi:10.1007/s11128-018-2022-7
[12] Huang，Z.M.，Zhang，C.，Situ，H.Z.：消相干条件下同步密集编码协议的性能分析。量子信息处理。16, 227 (2017) ·Zbl 1387.81114号 ·doi:10.1007/s11128-017-1677-9
[13] Huang，Z.M.，Ye，Y.Y.，Luo，D.R.：波动无质量标量场影响的同时密集编码。量子信息过程。17, 101 (2018) ·Zbl 1395.81035号 ·doi:10.1007/s11128-018-1872-3
[14] Kingma，D.P.，Ba，J.：亚当：随机优化方法。arXiv:1412.6980
[15] Duchi，J.，Hazan，E.，Singer，Y.：在线学习和随机优化的自适应次梯度方法。J.马赫。学习。第12121号决议（2011年）·兹比尔1280.68164
[16] Tieleman，T.，Hinton，G.：讲座6.5-RMSProp，课程：机器学习的神经网络。技术报告（2012年）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。