本文旨在比较机器学习算法的有效性在经典和量子计算范式中。通过研究经典支持向量机和基于量子硬件的量子支持向量机在鸢尾花数据集上的分类能力，我们发现在特定场景下，量子支持向量机可以与经典支持向量机相媲美的准确率，尽管目前的执行时间较长。此外，我们强调增加量子计算能力和并行规模可以显著提高量子机器学习算法的性能。这项研究为我们提供了关于机器学习在量子计算时代的现状和未来潜力的宝贵见解。

Oct, 2023

本文针对 QSVM 模型的两种方法：量子核 SVM（QK-SVM）和量子变分 SVM（QV-SVM）进行研究，并提出了一种将二者优势相结合的新型模型：量子变分核 SVM（QVK-SVM）。实验结果表明，QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型，具有很大的应用潜力，值得被推广应用于未来的量子机器学习研究。

May, 2023

本研究提出了一种新颖的方法，量子支持向量机特征选择（QSVMF），将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现：最大化分类准确性，最小化选定特征和量子电路成本，并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择，将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明，QSVMF 取得了卓越的性能。此外，QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡，识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力，尤其是在处理复杂的真实世界数据时。

Nov, 2023

本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

Oct, 2020

利用量子支持向量机和变分量子线性求解器，我们提出了一种用于处理分类问题的新颖方法，并在 Noisy Intermediate Scale Quantum (NISQ) 设备上进行了全面的数值实验，通过构建一个分类器，实现从一个到七个维度的特征空间的分类。

Sep, 2023

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

本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

Aug, 2022

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

我们引入了四种用于训练神经支持向量机的算法，并证明了它们的可行性。在本文章中，我们引入了神经量子支持向量机，即使用量子核的 NSVM，并将我们的结果扩展到该设置中。

Aug, 2023

我们引入了一种革新性的量子增强支持向量机（QSVM）方法，利用量子计算和 GPU 加速来进行恒星分类，QSVM 算法在处理复杂的二元和多类别情况下显著优于传统方法，尤其是在哈佛恒星分类系统中。量子原理的整合显著提高了分类准确性，而使用 cuQuantum SDK 进行 GPU 加速确保了量子模拟器中大数据集的计算效率和可扩展性。这种协同作用不仅加快了处理过程，还提高了分类不同恒星类型的准确性，为天体物理学和相关科学领域的研究提供了量子机器学习的变革潜力，为恒星分类的精度和处理速度跃升到一个新的水平。这一进展对天体物理学和相关科学领域具有广泛的影响。

Nov, 2023