量子机器学习相关 AI 资讯

7月8日

11:50

官方账号arXiv cs.LG@Rahul Bandyopadhyay, Riccardo Molteni, Jens Eisert, Vedran Dunjko, Sofiene Jerbi

该研究从PAC学习角度研究量子多体动力学可学习性。他们设计了一个监督学习任务：训练集包含随机稳定子探针态、均匀采样自[0,T]的演化时间以及特定可观测量期望值。量子算法通过短时训练样本学习未知哈密顿量，并结合哈密顿量模拟与经典阴影协议进行推理。通过将BQP完全计算嵌入Feynman-Kitaev时钟哈密顿量的长时间动力学，他们证明除非BQP⊆P/poly，否则没有经典多项式时间算法能完成该任务。同时经典困难实例仍保持量子可学习性。

论文量子多体系统学习分离 PAC学习 BQP 量子机器学习

推荐理由：这篇论文给量子机器学习找了个硬核任务：预测多体系统时间演化，量子算法能学，经典学不了，除非BQP进P/poly。理论结果很扎实。

原文

7月2日

12:25

官方账号arXiv cs.LG@Chuanming Yu, Jiaming Liu, Zihao Ge, Xiongfei Wu, Lulu Zhu, Pengzhan Zhao, Jianjun Zhao

该论文对7个模型对（跨越监督学习和强化学习）进行了量子机器学习与经典方法的统一实证比较。结果显示，量子模型在整体预测性能、策略稳定性和训练时间上尚未超越经典基线。不过，量子方法在噪声过滤和假阳性控制上展现了潜力。研究还总结了量子ML在硬件环境、训练效率和收敛稳定性方面的挑战。代码已开源在GitHub。

论文量子机器学习经典机器学习实证比较 arXiv

推荐理由：这篇论文用7组模型对比告诉你：现阶段量子机器学习还没跑赢经典方法，但在过滤噪声上有戏。想了解量子ML实际表现可以看看。

原文

11:16

官方账号arXiv cs.LG@Yuqi Huang, Vincent Y. F. Tan, Sharu Theresa Jose

该论文研究量子核诱导的高斯过程（GP）Bandit优化问题，假设均值奖励函数位于量子核的RKHS中。针对NISQ时代任务（如量子控制、状态制备），作者指出全量子核因高维度过高导致信息增益大、累积遗憾高。他们提出投影量子核和经典核近似技术，降低特征维度同时保留关键量子性质。基于近似核开发的误指定GP Bandit算法，推导出遗憾界以权衡近似误差与信息增益。实验表明，该方法在样本效率上超越全量子核，并显著降低计算开销。

论文 Quantum Kernel GP Bandit NISQ 量子机器学习高斯过程优化

推荐理由：这篇论文教你用更省事的核函数解决量子优化问题，省计算省样本，还能量化精度损失，做量子控制或VQA的人值得看看。

原文

6月23日

10:43

官方账号arXiv cs.LG@Milton Mondal, Sushovan Chanda, Mohamad Mahdi Alawieh, Brijesh Sukhadiya, Donatus Krah, Clinton Gonsalves, Antonios Ntolkeras, Silvio O. Rizzoli, Ali H. Shaib

标准Pauli测量下量子神经网络输出被约束在[-1,1]区间，导致交叉熵损失对logit差异敏感度不足，梯度被抑制。本文首次将这一效应定义为测量诱导logit收缩。提出可学习的量子测量温度（QMT）参数，在损失函数之前重新缩放量子测量输出，补偿物理测量范围限制。QMT不改变量子电路结构或测量算子。在荧光显微图像与六类Fashion MNIST实验中，QMT一致提升了logit分离度、梯度强度和训练稳定性，并提高了分类准确率。

论文 Hybrid QNNs QMT Fashion MNIST 量子机器学习训练稳定性

推荐理由：这篇论文找到了混合量子神经网络训练不稳定的一个隐藏原因——测量值范围太小，并提出了一个简单的可学习缩放参数QMT来解决。实验在蛋白质分类和Fashion MNIST上都有效果。

原文

6月12日

09:55

官方账号arXiv cs.LG@Maida Wang, Xiao Xue, Minh Chung, Peter V. Coveney

精选

该论文为量子信息机器学习在混沌动力系统预测中的实用量子优势建立了理论基础。作者提出了一族k阶量子统计先验（Q-Priors），利用叠加和纠缠在量子比特上紧凑存储不变测度的空间相关性。在提取阶段，联合贝尔测量可在与量子比特数无关的副本对数量下估计任意泡利泛函，而经典自适应单副本协议需要指数级副本数，这证明了量子-经典在副本测量复杂度上的分离。该机制在湍流通道流和中程天气预报（ECMWF ERA5再分析数据）两个案例中验证，其中天气预报的异常相关技能在48-240小时提前期提升10-39%，并减少了长期滚动预测向静态平均场的崩溃。论文指出，在容错量子硬件出现之前，这为实用量子优势提供了一条候选路径。

论文量子机器学习混沌预测量子优势天气预报湍流模拟

推荐理由：量子机器学习终于有了一个可验证的实用优势机制——在混沌预测任务中，量子方法用更少的测量副本实现经典无法比拟的精度。做气候建模、流体力学或量子计算的团队值得关注，这可能是容错量子计算前最接近落地的量子优势路线。

原文

6月9日

12:26

官方账号arXiv cs.LG@Brian Coyle, Snehal Raj, Virag Umathe, El Amine Cherrat, Elham Kashefi

精选

训练参数化量子电路（PQC）时，梯度估计的测量成本是主要瓶颈，传统参数平移规则的成本随参数数量线性增长。本文提出基于前向自动微分的梯度估计框架，通过平均可调数量的随机方向导数获得无偏梯度，并统一了SPSA、随机坐标下降和参数平移规则。在此框架下，作者推导出QUIVER（量子迭代V自适应估计规则）优化器，实现最小测量成本分配。数值实验表明，前向梯度在训练含60量子比特、1770参数的量子神经网络时，效率比参数平移规则高出数个数量级。QUIVER在量子近似优化算法和变分量子本征求解器任务上，也优于iCANS和gCANS等测量节俭优化器。

论文量子机器学习参数化量子电路梯度估计 QUIVER 优化器

推荐理由：量子机器学习团队终于有了一个能大幅降低测量成本的梯度估计框架——QUIVER在60量子比特规模上效率提升数个数量级，做量子电路优化的研究者可以直接用。

原文

5月14日

13:26

官方账号arXiv cs.LG@Hoang-Quan Nguyen, Sankalp Pandey, Khoa Luu

精选

长序列建模中，Transformer 的二次复杂度限制了其扩展性，而状态空间模型（SSM）虽线性高效，但记忆机制偏简单，难以捕捉复杂全局交互。研究者提出量子长注意力记忆（QLAM），将隐藏状态表示为量子态，通过参数化量子电路实现非经典全局更新，既保留 SSM 的循环线性结构，又利用量子叠加丰富记忆表示。QLAM 隐式捕获全局依赖，并通过查询相关测量提取任务信息。在 sMNIST、sFashion-MNIST 和 sCIFAR-10 等序列图像分类任务上，QLAM 一致优于循环基线和 Transformer 模型。这项工作首次将量子系统的叠加特性引入状态序列建模，为长上下文 AI 提供了新思路。

论文量子机器学习长序列建模状态空间模型注意力机制 QLAM

推荐理由：做长序列建模或量子机器学习的研究者值得关注——QLAM 用量子叠加解决了 SSM 记忆能力不足的问题，在标准基准上已跑赢 Transformer，建议点开看实现细节。

原文