Buchumschlag

Dynamical transition in controllable quantum neural networks with large depth

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Bingzhi, Liu, Junyu, Wu, Xiao-Chuan, Jiang, Liang, Zhuang, Quntao
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Quantum Physics Statistical Mechanics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Quantum-data-driven dynamical transition in quantum learning
von: Zhang, Bingzhi, et al.
Veröffentlicht: (2024)

Holographic deep thermalization for secure and efficient quantum random state generation
von: Zhang, Bingzhi, et al.
Veröffentlicht: (2024)

Uncovering Quantum Many-body Scars with Quantum Machine Learning
von: Feng, Jiajin, et al.
Veröffentlicht: (2024)

Energy-dependent barren plateau in bosonic variational quantum circuits
von: Zhang, Bingzhi, et al.
Veröffentlicht: (2023)

Scaling Laws of Quantum Information Lifetime in Monitored Quantum Dynamics
von: Zhang, Bingzhi, et al.
Veröffentlicht: (2025)

Quantum consistent neural/tensor networks for photonic circuits with strongly/weakly entangled states
von: Allegra, Nicolas
Veröffentlicht: (2024)

An Analytic Theory of Quantum Imaginary Time Evolution
von: Chen, Min, et al.
Veröffentlicht: (2025)

Capturing reduced-order quantum many-body dynamics out of equilibrium via neural ordinary differential equations
von: Egenlauf, Patrick, et al.
Veröffentlicht: (2025)

Neural-network quantum state study of the long-range antiferromagnetic Ising chain
von: Kim, Jicheol, et al.
Veröffentlicht: (2023)

All you need is spin: SU(2) equivariant variational quantum circuits based on spin networks
von: East, Richard D. P., et al.
Veröffentlicht: (2023)

SMT-AD: a scalable quantum-inspired anomaly detection approach
von: Sornsaeng, Apimuk, et al.
Veröffentlicht: (2026)

Enabling large-depth simulation of noisy quantum circuits with positive tensor networks
von: Müller, Ambroise, et al.
Veröffentlicht: (2024)

Fermi-Dirac thermal measurements: A framework for quantum hypothesis testing and semidefinite optimization
von: Liu, Nana, et al.
Veröffentlicht: (2026)

Discovering quantum phenomena with Interpretable Machine Learning
von: de Schoulepnikoff, Paulin, et al.
Veröffentlicht: (2026)

Fundamentals of quantum Boltzmann machine learning with visible and hidden units
von: Wilde, Mark M.
Veröffentlicht: (2025)

Interpretable representation learning of quantum data enabled by probabilistic variational autoencoders
von: de Schoulepnikoff, Paulin, et al.
Veröffentlicht: (2025)

Hierarchy of discriminative power and complexity in learning quantum ensembles
von: Yao, Jian, et al.
Veröffentlicht: (2026)

Learning quantum many-body data locally: A provably scalable framework
von: Chinzei, Koki, et al.
Veröffentlicht: (2025)

Filtering out mislabeled training instances using black-box optimization and quantum annealing
von: Otsuka, Makoto, et al.
Veröffentlicht: (2025)

Mixed-State Quantum Denoising Diffusion Probabilistic Model
von: Kwun, Gino, et al.
Veröffentlicht: (2024)

Tensor-Networks-based Learning of Probabilistic Cellular Automata Dynamics
von: Casagrande, Heitor P., et al.
Veröffentlicht: (2024)

Generative quantum machine learning via denoising diffusion probabilistic models
von: Zhang, Bingzhi, et al.
Veröffentlicht: (2023)

Local Diffusion Models and Phases of Data Distributions
von: Hu, Fangjun, et al.
Veröffentlicht: (2025)

Learning from higher-order statistics, efficiently: hypothesis tests, random features, and neural networks
von: Székely, Eszter, et al.
Veröffentlicht: (2023)

Exploring explicit coarse-grained structure in artificial neural networks
von: Yang, Xi-Ci, et al.
Veröffentlicht: (2022)

Sliding down the stairs: how correlated latent variables accelerate learning with neural networks
von: Bardone, Lorenzo, et al.
Veröffentlicht: (2024)

Disappearance of measurement-induced phase transition in a quantum spin system for large sizes
von: Chaki, Paranjoy, et al.
Veröffentlicht: (2025)

Measurement induced phase transitions in quantum raise and peel models
von: Heinrich, Eliot, et al.
Veröffentlicht: (2024)

Natural gradient and parameter estimation for quantum Boltzmann machines
von: Patel, Dhrumil, et al.
Veröffentlicht: (2024)

Input-driven circuit reconfiguration in critical recurrent neural networks
von: Magnasco, Marcelo O.
Veröffentlicht: (2024)

On the dynamics of convolutional recurrent neural networks near their critical point
von: Chandra, Aditi, et al.
Veröffentlicht: (2024)

Generative Learning of Continuous Data by Tensor Networks
von: Meiburg, Alex, et al.
Veröffentlicht: (2023)

Quantum Inception Score
von: Sone, Akira, et al.
Veröffentlicht: (2023)

Hybrid Ground-State Quantum Algorithms based on Neural Schrödinger Forging
von: de Schoulepnikoff, Paulin, et al.
Veröffentlicht: (2023)

Effectiveness of Binary Autoencoders for QUBO-Based Optimization Problems
von: Abe, Tetsuro, et al.
Veröffentlicht: (2026)

Multi-Mode Quantum Annealing for Generative Representation Learning with Boltzmann Priors
von: Kim, Gilhan, et al.
Veröffentlicht: (2026)

Classical Shadows with Improved Median-of-Means Estimation
von: Fu, Winston, et al.
Veröffentlicht: (2024)

Meta-learning of Gibbs states for many-body Hamiltonians with applications to Quantum Boltzmann Machines
von: Bhat, Ruchira V, et al.
Veröffentlicht: (2025)

Population Annealing as a Discrete-Time Schrödinger Bridge
von: Ohzeki, Masayuki
Veröffentlicht: (2026)

Demonstration of Robust and Efficient Quantum Property Learning with Shallow Shadows
von: Hu, Hong-Ye, et al.
Veröffentlicht: (2024)