.png){kind=icon}
返回
Permutation-equivariant quantum convolutional neural networks
.png){kind=icon}
OA
AI
DOI：10.1088/2058-9565/ad8e80.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对称基团s-n在量子系统的大课程中表现为量子态的某些特征相对于量子位的置换的不变性。在许多其他上下文中，出现了s-n的子组，以描述经典图像相对于空间变换 (例如反射或旋转) 的标签对称性。配备了几何量子机器学习的形式主义，在这项研究中，我们提出了附着于s-n及其子群的等变量子卷积神经网络 (eqcnn) 的架构。我们证明，仔细选择像素到量子位的嵌入顺序可以方便地为s-n的小子组构建eqcnn。我们对应于完整置换组s-n的新型EQCNN架构是通过以相等的概率应用所有可能的qcnn来构建的，这也可以被概念化为量子神经网络中的丢弃策略。对于s-n的子组，我们使用MNIST数据集的数值结果显示出比非等变qcnn更好的分类精度。对于连接和非连通图的分类，s-n等变QCNN体系结构显示出比非等变QCNN显着提高的训练和测试性能。当用足够大量的数据训练时，与s-n-等变QNN相比，s-n-等变QCNN显示出更好的平均性能。这些结果有助于在置换对称系统中构建强大的量子机器学习架构。
Keyword:
quantum machine learning
variational quantum circuit
equivariant quantum neural network
期刊
IF:
5
论文数:
1.4K
被引数:
5.1K
机构
引用论文
A variational eigenvalue solver on a photonic quantum processor光子量子处理器上的变分特征值求解器.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Towards a cyanobacterial biorefinery: Carbohydrate fingerprint, biocomposition and enzymatic hydrolysis of Nostoc biomass走向蓝细菌生物精炼厂: Nostoc生物质的碳水化合物指纹，生物组成和酶促水解
PREAI
分享收藏Adaptive Energy Management Strategy Calibration in PHEVs Based on a Sensitivity Study基于灵敏度研究的phev自适应能量管理策略标定
PREAI
分享收藏
查看更多内容