本论文表明量子计算不仅可以减少深度受限玻尔兹曼机训练所需的时间,而且提供了比传统计算更丰富和全面的深度学习框架,从而在优化底层目标函数方面取得显著的改进。同时,我们的方法还允许高效地培训完整的 Boltzmann 机和多层全连接模型,且在经典计算中没有良好的对应物。
Dec, 2014
简单介绍了神经网络和深度学习的基础知识,以及它们在量子领域中的应用,重点关注于强化学习和量子信息处理机对机器学习加速的应用。
Jan, 2021
该研究论文提出了一种基于量子计算的卷积神经网络(QCNN)算法,能够应用和训练深度 CNN,并通过引入非线性和池化操作打破传统的限制,以更高效地进行图像识别,同时也介绍了新的量子测量及概率采样算法。
Nov, 2019
本文探讨了量子机器学习领域的进展,包括算法和实验实现,展望了该领域的前景和存在的问题。
Dec, 2015
本文综述了在量子计算、机器学习和人工智能交叉领域的主要思想、最近的发展以及在量子领域中研究机器学习和人工智能技术的进展,并探讨了量子机器学习和人工智能的相互增强作用以及基于量子力学概念的学习和智能问题。
Sep, 2017
本文旨在从量子信息的角度,发起一种系统地对待机器学习的方法,并涵盖了机器学习的三大分支:监督学习,无监督学习和强化学习。通过这种方法,本文提出了一个系统化的方案以解决强化学习中的量子提升问题,并证明了在限定的时间范围内,对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。
Oct, 2016
通过回顾机器学习中的量子计算文献,研究了量子算法的限制、与传统经典算法的比较,以及为什么期望量子资源能够提供学习问题的优势,而在存在噪声和某些计算困难的问题中,量子计算令人期待的路线。
Jul, 2017
本文提出了一种混合量子 - 经典卷积神经网络框架(QCCNN),它结合了卷积神经网络的重要特征以及量子计算特有的优势,适用于当前嘈杂的中尺度量子计算机,并通过 Tetris 数据集的分类任务证明了其优越性能。
该文研究了近年来机器学习对于量子技术的影响,重点介绍了科学家们利用机器学习及人工智能等方法来分析量子测量、估计量子设备的参数以及发现新的量子实验方案、协议和反馈策略等,以进一步提高量子计算、量子通信和量子模拟等方面的效果,并探讨了未来发展方向和挑战。
Aug, 2022
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。
Sep, 2014