MEMO-QCD: Quantum Density Estimation through Memetic Optimisation for Quantum Circuit Design

本文提出了一种用于密度估计的高效量子电路设计策略。该策略基于一种基于量子的密度估计算法和基于遗传算法的电路优化程序。该模型通过量子特征映射将训练数据集映射到由密度矩阵表示的量子状态。这个训练状态将数据集的概率分布编码成一个量子状态，使得可以通过将其相应的量子状态投影到训练状态来估计新样本的密度。我们提出了应用遗传算法来找到实现量子特征映射的变分量子电路的架构和参数，以及变分学习策略来准备训练状态。所提出的策略的演示通过浅层量子电路准确近似高斯核密度估计方法，说明该算法在近期量子硬件上的可行性。

本文的问题是提出一种基于量子电路的密度估计的高效设计策略，验证该算法在近期量子硬件上的可行性。

本文提出了一种基于量子特征映射和memetic算法的量子电路优化策略，用于实现密度估计。该策略通过memetic算法寻找实现量子特征映射的变分量子电路的架构和参数，并采用变分学习策略来准备训练状态。通过浅层量子电路，本文的策略能够准确地近似高斯核密度估计方法。

本文的亮点包括：1.提出了一种基于量子特征映射和memetic算法的量子电路优化策略；2.通过浅层量子电路实现了高精度的密度估计；3.使用公开数据集进行了实验，并提供了开源代码。

在该领域的相关研究还包括：1. QGAN：Quantum Generative Adversarial Networks；2. VQD: Variational Quantum Deflation；3. QAE: Quantum Autoencoders。