Buchumschlag

Quantum Circuit Training with Growth-Based Architectures

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Duffy, Callum, Chaudhary, Smit, Velikova, Gergana V.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Quantum Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Spectral Bias in Variational Quantum Machine Learning
von: Duffy, Callum, et al.
Veröffentlicht: (2025)

Data Complexity Measures for Quantum Circuits Architecture Recommendation
von: Neto, Fernando M de Paula
Veröffentlicht: (2025)

Qubit-Wise Architecture Search Method for Variational Quantum Circuits
von: Chen, Jialin, et al.
Veröffentlicht: (2024)

QAdaPrune: Adaptive Parameter Pruning For Training Variational Quantum Circuits
von: Kulshrestha, Ankit, et al.
Veröffentlicht: (2024)

Evaluating Parameter-Based Training Performance of Neural Networks and Variational Quantum Circuits
von: Kölle, Michael, et al.
Veröffentlicht: (2025)

Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise
von: Tecot, Lucas, et al.
Veröffentlicht: (2025)

Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits
von: Qi, Jun, et al.
Veröffentlicht: (2023)

Training Variational Quantum Circuits Using Particle Swarm Optimization
von: Mordacci, Marco, et al.
Veröffentlicht: (2025)

QASM-Eval: A Dataset to Train and Evaluate LLMs on OpenQASM-3 Beyond Quantum Circuits
von: Fu, Zhenxiao, et al.
Veröffentlicht: (2026)

Quantum Generative Modeling using Parameterized Quantum Circuits
von: Sarkar, Soumyadip
Veröffentlicht: (2023)

Quantum Circuit Optimization with AlphaTensor
von: Ruiz, Francisco J. R., et al.
Veröffentlicht: (2024)

Domain-Aware Quantum Circuit for QML
von: Singh, Gurinder, et al.
Veröffentlicht: (2025)

On Quantum Circuits for Discrete Graphical Models
von: Piatkowski, Nico, et al.
Veröffentlicht: (2022)

Diffusion-Inspired Quantum Noise Mitigation in Parameterized Quantum Circuits
von: Nguyen, Hoang-Quan, et al.
Veröffentlicht: (2024)

Active Learning with Variational Quantum Circuits for Quantum Process Tomography
von: Yang, Jiaqi, et al.
Veröffentlicht: (2024)

Quantum Hierarchical Reinforcement Learning via Variational Quantum Circuits
von: Lee, Yu-Ting, et al.
Veröffentlicht: (2026)

Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits
von: Martín-Pérez, D., et al.
Veröffentlicht: (2026)

Reinforcement Learning for Variational Quantum Circuits Design
von: Foderà, Simone, et al.
Veröffentlicht: (2024)

Neural Guided Sampling for Quantum Circuit Optimization
von: Rosenhahn, Bodo, et al.
Veröffentlicht: (2025)

Challenges for Reinforcement Learning in Quantum Circuit Design
von: Altmann, Philipp, et al.
Veröffentlicht: (2023)

Parametrized Quantum Circuit Learning for Quantum Chemical Applications
von: Jones, Grier M., et al.
Veröffentlicht: (2025)

Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits
von: Qi, Jun, et al.
Veröffentlicht: (2024)

Enhancing the Trainability of Variational Quantum Circuits with Regularization Strategies
von: Zhuang, Jun, et al.
Veröffentlicht: (2024)

Physics-Informed Bayesian Optimization of Variational Quantum Circuits
von: Nicoli, Kim A., et al.
Veröffentlicht: (2024)

Fourier Analysis of Variational Quantum Circuits for Supervised Learning
von: Wiedmann, Marco, et al.
Veröffentlicht: (2024)

Differentiable Logical Programming for Quantum Circuit Discovery and Optimization
von: Sulc, Antonin
Veröffentlicht: (2026)

Special-Unitary Parameterization for Trainable Variational Quantum Circuits
von: Chen, Kuan-Cheng, et al.
Veröffentlicht: (2025)

Equivariant Reinforcement Learning for Clifford Quantum Circuit Synthesis
von: Yeung, Richie, et al.
Veröffentlicht: (2026)

Leveraging Diffusion Models for Parameterized Quantum Circuit Generation
von: Barta, Daniel, et al.
Veröffentlicht: (2025)

Q-Tag: Watermarking Quantum Circuit Generative Models
von: Yang, Yang, et al.
Veröffentlicht: (2026)

Quantum Circuit-Based Learning Models: Bridging Quantum Computing and Machine Learning
von: Fan, Fan, et al.
Veröffentlicht: (2026)

Explaining Quantum Circuits with Shapley Values: Towards Explainable Quantum Machine Learning
von: Heese, Raoul, et al.
Veröffentlicht: (2023)

MEMO-QCD: Quantum Density Estimation through Memetic Optimisation for Quantum Circuit Design
von: Ardila-García, Juan E., et al.
Veröffentlicht: (2024)

Latent-Conditioned Parameterized Quantum Circuits as Universal Approximators for Distributions over Quantum States
von: Tran, Quoc Hoan, et al.
Veröffentlicht: (2026)

Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation
von: Aktar, Shamminuj, et al.
Veröffentlicht: (2024)

Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits
von: Du, Yuxuan, et al.
Veröffentlicht: (2024)

Characterizing Trainability of Instantaneous Quantum Polynomial Circuit Born Machines
von: Shen, Kevin, et al.
Veröffentlicht: (2026)

Maximising Quantum-Computing Expressive Power through Randomised Circuits
von: Yang, Yingli, et al.
Veröffentlicht: (2023)

Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits
von: Yu, Zhan, et al.
Veröffentlicht: (2023)

Beyond Reinforcement Learning: Fast and Scalable Quantum Circuit Synthesis
von: Theißinger, Lukas, et al.
Veröffentlicht: (2026)