Jul, 2023

现代近期量子设备上的量子机器学习：针对真实世界应用的有监督和无监督技术的现状

PDF
TL;DR本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。
quantum machine learningquantum hardwaresupervised learningunsupervised learninglimitations
发现论文，激发创造
  • 量子计算专家的机器学习

    量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。

    Apr, 2024

  • 量子机器学习概述：当前趋势、挑战、机遇和未来方向

    该研究论文综述了量子计算在机器学习中的应用，包括量子机器学习算法、量子数据集、硬件技术、软件工具、模拟器和应用程序，为读者提供了跳跃到量子机器学习领域的最新技术的有价值的信息和资源。

    Oct, 2023

  • 近期量子计算机中量子辅助机器学习的机遇和挑战

    通过使用混合量子 - 经典方法并介绍了一个名为 Quantum-assisted Helmholtz Machine (QAHM) 的新算法，我们提出了一种解决当前量子计算和量子机器学习的困难关系，特别是在生成模型方面的解决方案。

    Aug, 2017

  • 量子辅助模拟：在量子计算领域设计机器学习模型的框架

    利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

    Nov, 2023

  • 量子启发式机器学习综述

    量子启发式机器学习（QiML）是一个新兴的领域，受到全球研究人员的关注，因为它有潜力在经典计算框架中利用量子力学原理。本文通过对 QiML 进行综合和全面的调查，探索了 QiML 的多个研究领域，包括张量网络模拟、去量化算法等，展示了最新进展、实际应用，并揭示了潜在的未来研究方向。同时，通过分析对 QiML 的不同解释及其固有的模糊性，确立了 QiML 的具体定义。在量子力学、量子计算和经典机器学习的基础上，QiML 将不断发展，并丰富该领域的未来。本调查为研究人员和从业人员提供指南，帮助他们全面了解 QiML 的现状和未来发展方向。

    Aug, 2023

  • 量子机器学习从一般计算优势中的优势

    证明了量子机器学习在加速监督学习任务方面具有计算优势，通过构建广泛的监督学习任务，并使用通用量子计算方法，证明了这一学习任务对于任何可能的多项式时间经典学习方法的难度，并提供了实验中展示这一学习任务的经典数据准备协议。

    Dec, 2023

  • 混合量子计算机上的无监督机器学习

    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

  • 量子增强机器学习

    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

  • 量子机器学习：经典视角

    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

  • 遥感的量子机器学习：潜力与挑战的探索

    量子技术快速扩展，量子机器学习在遥感领域的应用引起了广泛关注，本文调查了量子机器学习在遥感领域的潜力，并探讨了其面临的挑战，通过研究核值集中问题发现，量子计算机的性能受到了一定的负面影响，但并不完全否定量子机器学习在遥感中的潜在优势。

    Nov, 2023