本研究中,我们提出了两种量子算法用于机器学习问题的处理,即量子变分分类器和量子核估计器,并在超导处理器上实现了这两种算法,为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。
Apr, 2018
本文证明典型情况下,基于量子增强特征空间的机器学习模型是连续函数的通用逼近器,从理论角度探究了量子特征映射的表达能力与在分类不相交区域方面的功能。
Sep, 2020
通过使用基于量子核方法的量子算法,我们描述了如何识别获得量子优势的条件,以及将量子核作为特征提取层应用于卷积神经网络。
May, 2024
通过分析量子核心函数类的光谱特性,我们发现如果其再现核希尔伯特空间具有低维度且包含传统计算难度的函数,则存在量子优势;然而,合适的量子核心函数不易找到,而该偏置相对于经典模型在量子机器学习模型速度提升方面是必须的。
Jun, 2021
用核方法重新描述监督式的量子模型,用支持向量机进行训练可以得到比变分电路训练更好或同等的结果。
Jan, 2021
该论文提出了一种称为量子度量学习的新策略,通过训练可训练的量子电路的第一部分来实现数据类最大分离的嵌入,从而消除了当前模型中的一个主要部分。
Jan, 2020
利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题,并展示出在噪声环境下稳健的表现和经典优化方法的适用性。
Dec, 2017
该研究论文提出了一种将非线性引入量子机器学习中的方法,使用特征映射将经典数据导入到量子状态中,并基于混合量子计算机进行实现,提出了可实现著名的多项式回归和高斯核岭回归的编码方案,其处理信息效率具有指数级加速并且适用于大规模数据集。
Aug, 2018
利用小型光子量子计算机成功实现 2、4、8 维向量的有监督和无监督机器学习分类,这为利用量子计算机处理高维向量提供了新的可能性。
Sep, 2014
本文系统概述了新兴领域 - 量子机器学习的方法、技术细节以及未来理论的潜力。该领域研究人员研究了量子计算如何帮助改进传统的机器学习算法,具有重要的计算优势。