统计推断的最优通用量子编码
本文研究了数据编码策略对参数化量子电路作为函数逼近器的表达能力的影响,发现量子模型可以被自然地写成数据的部分傅里叶级数,通过多次反复简单的数据编码门,量子模型可以访问越来越丰富的频率光谱,发现存在一些量子模型可以实现所有可能的傅里叶系数集,因此如果可访问频谱足够丰富,则这些模型是通用函数逼近器。
Aug, 2020
该研究探索了将量子数据嵌入技术与经典机器学习算法相结合,旨在评估在各种模型上的性能增强和计算效果。我们探索了多种经典到量子的映射方法,包括基编码、角度编码和幅度编码,通过对包括逻辑回归、K 近邻、支持向量机以及随机森林、LightGBM、AdaBoost 和 CatBoost 在内的流行机器学习算法进行广泛的实证研究,发现量子数据嵌入有助于改善分类准确性和 F1 分数,尤其在与增强特征表示有关的模型中表现突出。我们观察到运行时间方面存在微妙的影响,低复杂度模型展示了适度的增加,而计算复杂度更高的模型则经历了明显的变化。值得注意的是,集成方法在性能提升和计算开销之间表现出有利的平衡。该研究强调了量子数据嵌入在增强经典机器学习模型方面的潜力,并强调了在性能改进与计算成本之间权衡的重要性。未来的研究方向可能涉及优化计算效率的量子编码过程以及在实际应用中的可扩展性。我们的工作为量子计算和经典机器学习交叉领域的不断增长的知识贡献了见解,为寻求利用量子启发技术的研究人员和实践者提供了洞察。
Nov, 2023
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
我们构建了一个量子回归算法并确定了变分参数与学习回归系数之间的直接关系,利用直接将数据编码到反映经典数据表结构的量子振幅的电路。该算法适用于连接良好的量子比特,具有对数级时间复杂度优势,并提供了与传统一热编码技术相比所需的物理比特数量显著减少的压缩二进制编码方法,同时还能进行非线性回归。通过在实践中从量子回归模型学习中进行重要特征选择的集成模型训练,我们能够减小硬件噪音的影响。
Jul, 2023
论文介绍了关于量子克隆机的研究,通过特殊的酉演化或者新型的量子隐形传态方案达到了量子克隆的最大保真度,并且讨论了两个非正交态的克隆的最优操作以及克隆过程中所使用的外部物理资源的提取。最后,提出了一个新的上限界定来衡量去极化量子信道的量子容量。
May, 1997
本篇论文研究使用经典的优化算法来训练量子自编码器,从而实现对量子数据进行压缩和简化处理,且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。
Dec, 2016
通过研究量子机器学习在计算机视觉中的应用,本文发现现有的量子编码设计未能保证在编码过程后信息特征的保留,给量子机器学习模型的学习过程带来了复杂性,同时也导致了一个被称为 “量子信息差距” 的问题,该问题直接影响了量子机器学习算法的性能。为了解决这个挑战,我们引入了一种名为量子信息保持的简单而高效的新损失函数(QIP),以最小化这个差距,从而提升了量子机器学习算法的性能。广泛实验证明了我们的方法的有效性,相比当前方法,提供了卓越的性能,并始终在量子建模中取得了最先进的结果。
May, 2024
本文介绍了在生物信息学中使用多种数学领域的算法进行古典到量子数据编码的新颖方法,其中包括无损压缩、小波编码和信息熵技术,并提出了基于量子玻尔兹曼机的 DNA 序列编码测试方法,为量子计算在生物信息学中的发展提供了新的思路和应用。
Apr, 2023