- Пакетное возведение в степень квантового состояния и квантовое обучение по Хеббу(arXiv)
Автор:Томас Р. Бромли, Патрик Ребентрост
Аннотация. Машинное обучение — важнейший аспект искусственного интеллекта. В этой статье подробно описан подход к квантовому хеббовскому обучению с помощью пакетной версии возведения в степень квантового состояния. Здесь пакеты квантовых данных взаимодействуют с изучением и обработкой квантовых битов (кубитов) с помощью серии элементарных контролируемых операций частичного обмена, что приводит к гамильтоновой симуляции статистического ансамбля данных. Мы разложим эту элементарную операцию на одно- и двухкубитные квантовые вентили из набора Клиффорда+Т и используем это разложение для анализа эффективности. Наша конструкция квантового обучения Хебба мотивирована расширением установленного классического подхода, и его можно использовать для поиска деталей о данных, таких как собственные значения, посредством оценки фазы. Эта работа способствует ближайшей разработке и внедрению методов квантового машинного обучения.
2.Квантовое машинное обучение в гильбертовых пространствах признаков(arXiv)
Автор: Мария Шульд, Натан Киллоран
Аннотация: Основная идея квантовых вычислений удивительно похожа на идею ядерных методов в машинном обучении, а именно: эффективное выполнение вычислений в трудноразрешимом большом гильбертовом пространстве. В этой статье мы исследуем некоторые теоретические основы этой связи и покажем, как она открывает новые возможности для разработки алгоритмов квантового машинного обучения. Мы интерпретируем процесс кодирования входных данных в квантовом состоянии как нелинейную карту признаков, которая отображает данные в квантовом гильбертовом пространстве. Квантовый компьютер теперь может анализировать входные данные в этом пространстве признаков. На основе этой ссылки мы обсуждаем два подхода к построению квантовой модели для классификации. В первом подходе квантовое устройство оценивает внутренние произведения квантовых состояний для вычисления классически непостижимого ядра. Это ядро можно использовать в любом классическом методе ядра, таком как метод опорных векторов. Во втором подходе мы можем использовать вариационную квантовую схему в качестве линейной модели, которая явно классифицирует данные в гильбертовом пространстве. Мы иллюстрируем эти идеи с помощью карты функций, основанной на сжатии в системе с непрерывными переменными, и визуализируем принцип работы с помощью двумерных мини-наборов контрольных данных.