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。