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
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
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
本研究提出了一种基于变分量子电路的量子算法,用于对数据进行聚类;该算法可以将数据分类为多个聚类,并且可以在少量量子比特的嘈杂中间量子计算设备上轻松实现。
Jun, 2022
本研究基于构建 Betti 曲线,提出了一种量子方法来定义拓扑核,该方法在噪声模拟器上实现,通过一些实证结果展示了其鲁棒性和在量子机器学习中的优势。
Jul, 2023
我们提出了一种数据驱动的方法,自动设计针对特定问题的量子特征映射,利用特征选择技术处理高维数据,通过深度神经预测器评估不同候选量子核的性能,通过广泛的数值模拟展示了我们方法的优越性,尤其是在消除核浓度问题和确定具有预测优势的特征映射方面。我们的工作不仅释放了量子内核增强实际任务的潜力,还强调了深度学习在推动量子机器学习方面的重要作用。
Jan, 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
量子核方法中的几何差异对模型性能和经典与量子核之间的泛化差距具有重要影响
Oct, 2023
我们使用一种多目标遗传算法来高效生成支持向量机的量子特征映射,该方法能使得访问高维希尔伯特空间成为可能,并通过最小化量子特征映射电路的本地和非本地门成本来同时最大化分类准确度,对比了经典分类器以了解量子机器学习的优势,并显示出量子核方法的优化配置中需要包含比例数量的非本地门用于纠缠,以及证明数据的可分离性指标可以有效地用于确定量子支持向量机特征映射所需的非本地门数量,从而在基于数据分析的各种量子编程包(如 quiskit.org)中选择适当的参数(例如纠缠参数),我们的发现为增强量子机器学习算法的效率和准确性提供了有价值的指导。
Aug, 2023
该研究论文探讨了量子机器学习中基于内核的方法,使用神经切向核理论,Kerr 非线性的一阶微扰理论和非微扰数值模拟,以及基于电路 QED 的实验协议来展示在收敛时间和泛化误差方面能够实现一些‘量子增强’。
May, 2022