Extending Quantum Computing through Subspace, Embedding and Classical Molecular Dynamics Techniques
本文提出通过子空间、嵌入和经典分子动力学技术扩展量子计算，展示量子选择配置交互在多尺度模拟中的应用。
2025-11-10 quant-ph
Quantum-Assisted Trainable-Embedding Physics-Informed Neural Networks for Parabolic PDEs
Texas Tech University（德克萨斯理工大学）；FPT University（FPT大学）；Aalborg University（奥尔堡大学）；University of Porto（波尔图大学）
本文提出量子辅助可训练嵌入的物理信息神经网络，用于求解抛物型偏微分方程，通过两种不同嵌入策略提升模型性能。
2026-02-16 quant-ph
Minor-Embedding in Adiabatic Quantum Computation: I. The Parameter Setting Problem
我们表明，NP-硬二次无约束二进制优化（QUBO）问题的图$G$可以解决使用绝热量子计算机，实现了伊辛自旋1/2哈密顿量，减少通过小嵌入的$G$在量子硬件图$U$。这种减少有两个组成部分：嵌入和参数设置。嵌入问题是在$U$中寻找图$G$的一个小嵌入$G^{emb}$，$U$是$U$的一个子图，使得$G$可以通过收缩边从$G^{emb}$得到。参数设置问题是确定嵌入的伊辛哈密顿量的相应参数，量子比特偏置和耦合器强度。在本文中，我们专注于参数设置问题。作为一个例子，我们展示了嵌入的伊辛哈密顿解决最大独立集（MIS）问题通过绝热量子计算（AQC）使用伊辛自旋1/2系统。最后，我们讨论了几个相关的算法问题，需要进行调查，以方便绝热算法和AQC架构的设计。
2008-04-30 quant-ph
Quantum locally linear embedding for nonlinear dimensionality reduction
非线性数据的降维是数据处理和可视化的关键。局部线性嵌入算法（LLE）是一种具有代表性的非线性降维方法，能够很好地保持原流形结构。在本文中，我们提出了两个实现的量子局部线性嵌入算法（QLLE）进行量子器件的非线性降维。一种实现，基于线性代数的QLLE算法，利用量子线性代数子程序来减少给定数据的维数。另一种实现是变分量子局部线性嵌入算法（VQLLE），它利用变分混合量子经典过程来获取低维数据。经典的LLE算法要求多项式时间复杂度为$N$，其中$N$是原始高维数据的全局数。与经典的LLE相比，基于线性代数的QLLE在给定数据的数量和维数上都获得了二次的加速比。VQLLE可以在两种不同的设计中在近期量子器件上实现。此外，数值实验表明，我们的工作中的两个实现可以实现局部线性嵌入的过程。
2020-06-29 quant-ph
Embedding quantum and random optics in a larger field theory
引入负频率分量的产生和湮灭算子，扩展了量子光学的模糊局部观测量代数，使其包括相关的经典随机场光学。
2008-06-09 quant-ph
Multireference Embedding and Fragmentation Methods for Classical and Quantum Computers: from Model Systems to Realistic Applications
本文综述了多参考密度矩阵嵌入和定域活性空间自洽场方法在经典和量子计算机上的最新进展，旨在解决强电子相关建模的计算标度问题，扩大多参考方法在复杂分子和材料中的应用范围。
2025-05-30 physics.chem-ph quant-ph
How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations
eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校）；Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究院）；Department of Information Engineering, Electronics and Telecommunications, Sapienza University of Rome（信息工程、电子与电信系，罗马萨皮恩扎大学）
本文通过统一流程比较经典与量子导向的节点表示，揭示其在图分类中的表现差异，强调在固定预算下诱导偏差、可训练性和稳定性之间的权衡。
2026-04-16 cs.LG quant-ph
A Hybrid Quantum-Classical Paradigm to Mitigate Embedding Costs in Quantum Annealing---Abridged Version
量子退火已经显示出作为近期量子计算方法的巨大潜力。尽管在获得量子加速方面取得了有希望的进展，但量子退火器受到需要将问题实例嵌入退火器的连接图（通常高度受限）的限制。这种嵌入执行起来可能代价高昂，并且可能破坏任何计算加速。在这里，我们提出了一个混合量子经典范式，以帮助减轻这种限制，并显示如何被否定的嵌入时间的原始加速，但在某些情况下可以利用。我们说明了这种方法的初始结果的概念验证实现的算法的动态加权最大独立集问题。
2018-07-30 cs.DS quant-ph
A Hybrid Classical/Quantum Approach for Large-Scale Studies of Quantum Systems with Density Matrix Embedding Theory
通过混合经典/量子方法确定量子系统的基态能量已经成为近期量子计算资源的一个有前途的候选应用。在没有大规模容错量子计算机的情况下，可以利用现有的计算技术来利用小规模设备来识别相对较大的哈密顿量的重要子空间。受描述将动力学平均场论（DMFT）与作为杂质求解器的小规模量子计算资源合并的工作的启发[Bauer等人，arXiv：1510.03859v2]，我们描述了一种替代的嵌入方案，密度矩阵嵌入理论（DMET），其自然地适合于来自变分量子本征求解器和其他混合方法的输出。这种方法使用量子抽象机器模拟器进行验证[Smith等人，arXiv：1608.03355]，其再现收敛到无限极限的哈伯德模型的基态能量。
2016-10-24 cond-mat.str-el quant-ph
Quantum negative sampling strategy for knowledge graph embedding with variational circuit
本文提出一种利用量子叠加的负采样策略用于基于变分电路的量子知识图谱嵌入模型，并通过知识图谱数据库评估其性能。
2025-02-25 quant-ph
From the Attempt of Certain Classical Reformulations of Quantum Mechanics to Quasi-Probability Representations
提出了将量子态仿射嵌入到经典态集合中的概念，即，的概率测度的集合，以及它与统计完备观测量的关系，并讨论了它在量子力学的统计方案的经典重新表述中的局限性。特别地，基于一个关于共存效应集合的非稠密性的定理，证明了量子态的单射经典嵌入不能由量子力学效应的至少近似的经典描述来补充.作为另一种方法，考虑了量子力学的准概率表示的概念。
2013-07-09 quant-ph
Neural quantum embedding via deterministic quantum computation with one qubit
本文提出基于单量子比特确定性量子计算的神经量子嵌入方法，通过训练神经网络最大化量子态迹距离，在NMR处理器上实现98%的分类准确率，显著优于传统嵌入方法。
2025-01-26 quant-ph
A Hybrid Quantum-Classical Paradigm to Mitigate Embedding Costs in Quantum Annealing
尽管量子计算机的开发最近取得了快速进展，能够提供优于经典计算机的计算优势，但此类计算机似乎至少在最初需要在混合量子-经典机制中运行。这种认识引起了人们对混合量子-经典算法的兴趣，例如，量子计算机可以解决大问题，尽管量子位的数量非常有限。在这里，我们提出了一个量子退火机的混合范例，其目标是减轻这种设备的不同限制：需要将问题实例嵌入退火机的连接图（通常是高度受限的）中。这个嵌入过程执行起来可能很昂贵，并且可能会破坏任何计算加速。为了解决许多实际问题，还需要执行许多通常相关的这样的嵌入。我们将展示如何，对于这样的问题，一个原始的加速，这是否定的嵌入时间，但可以被利用，以提供一个真正的加速。作为一个概念验证的例子，我们提出了一个深入的案例研究的基础上最大权独立集问题的简单问题。虽然我们没有观察到量子加速实验，混合方法的优点是稳健的验证，显示如何可能利用潜在的量子加速，并鼓励进一步努力将该方法应用于更实际的问题。
2019-06-26 cs.DS quant-ph
Quantum Approximation I. Embeddings of Finite Dimensional L_p Spaces
研究量子计算模型中有限维L_p空间之间嵌入的逼近问题。对于这个问题的量子查询的复杂性匹配（对数因子）的上限和下限。结果表明，对于参数域的某些区域，量子计算可以从根本上提高经典确定性或随机近似的收敛速度，而在其他区域，所有三种设置的最佳可能速率一致。这些结果作为一个重要的积木分析函数空间中的逼近在随后的文件。
2003-05-06 quant-ph
Embedding classical dynamics in a quantum computer
我们开发了一个框架，用于在量子计算机上模拟保持测量的遍历动力系统。我们的方法提供了一个新的经典动力学的算子理论表示的遍历理论与量子信息科学相结合。由此产生的量子嵌入的经典动力学（QECD），使有效的模拟空间的经典可观的指数大尺寸使用二次数量的量子门。QECD框架是基于一个量子特征映射的再生核希尔伯特空间，$\mathcal H $上的密度算子，并嵌入到$\mathcal H$上的自伴算子的经典可观的表示经典状态。在该方案中，量子态和观测量在经典系统Koopman演化算符的提升作用下幺正演化。此外，由于$\mathcal H$的再生性质，量子系统与潜在的经典动力学是逐点一致的。为了实现指数量子计算的优势，我们将量子系统的状态投影到与$n$量子位相关联的$2^n$维张量积希尔伯特空间上的密度矩阵。通过采用离散傅立叶-沃尔什变换，有限维量子系统的演化算子被分解为张量积形式，使得能够通过大小为$O(n)$的量子线路来实现。此外，该电路还具有一个同样大小为$O(n)$的状态准备阶段和一个大小为$O(n^2)$的量子傅里叶变换阶段，这使得通过标准计算基础中的测量来预测可观测量成为可能。我们证明这些预测的理论收敛结果为$n\to\infty$。我们目前在Qiskit Aer模拟量子线路实验，以及IBM量子系统一号的实际实验。
2021-11-15 math.DS quant-ph
Quantum Recurrent Embedding Neural Network
本文提出量子循环嵌入神经网络 QRENN，利用动力学李代数证明其可避免贫瘠高原且涵盖经典难处理电路，并通过量子哈密顿量分类与拓扑相检测验证其可扩展量子监督学习能力。
2025-06-16 quant-ph
Embedding Quantum into Classical: Contextualization vs Conditionalization
我们比较了两种方法来嵌入联合分布的随机变量记录在不同的条件下（如自旋纠缠粒子为不同的设置）到经典的，柯尔莫哥洛夫概率论的框架。在情境化方法中，每个随机变量被“自动”标记为记录它的所有条件，并且在一组互斥条件下的随机变量是概率耦合的（强加联合分布）。对给定的一组随机变量的所有可能的概率耦合进行分析，可以描述它们各自分布之间的各种关系（如贝尔型不等式或量子力学约束）。在条件化方法中，人们考虑记录随机变量的条件，就好像它们是另一个随机变量的值，因此观察到的分布被解释为条件分布。这种方法对于在不同条件下观察到的分布之间的关系是没有信息的，因为任何一组这样的分布都与分配给条件的任何分布兼容。
2015-01-23 math.PR quant-ph
Embedding-Aware Quantum-Classical SVMs for Scalable Quantum Machine Learning
National Irish Centre for AI (CeADAR), University College Dublin (UCD), Dublin, Ireland（爱尔兰人工智能国家中心（CeADAR）、都柏林大学（UCD））；SISTEMIC Research Group, University of Antioquia, Medellín, Colombia（SISTEMIC研究组、安蒂奎亚大学）；Department of Computer Science, University of Torino, Torino, Italy（计算机科学系、托里诺大学）；Corporation for Aerospace Initiatives (CASIRI), University of Cauca, Popayán, Colombia（航空航天倡议公司（CASIRI）、考卡大学）
本文提出结合类别平衡k-means蒸馏与ViT嵌入的量子-经典SVM流水线，首次系统证明量子核优势关键取决于嵌入选择，并在MNIST和Fashion-MNIST上实现优于经典SVM的准确率提升。
2025-11-10 cs.AI cs.LG quant-ph
Quantum Tutte Embeddings
该研究提出量子图绘制模型与量子Tutte嵌入电路，可将Tutte嵌入计算为量子态并采样提取，对比经典线性系统算法理论复杂度并给出量子模拟实验结果。
2023-07-25 cs.DS quant-ph
Minor-embedding in adiabatic quantum computation: II. Minor-universal graph design
在[Choi 08]中，我们在绝热量子优化中引入了小嵌入的概念。图G在量子硬件图U中的次嵌入是U的一个子图，使得G可以通过收缩边从U得到。在本文中，我们描述了交织绝热量子架构设计问题，这是构建一个硬件图U，满足所有已知的物理约束，并在同一时间，允许一个有效的小嵌入算法。我们说明了一个最佳的完全图子硬件图。给定一个图族F，如果对F中的每个图G，U包含G的一个子嵌入，则称（宿主）图U为F-子泛图。设计F-子泛硬件图U_{sparse}的问题，其中F由稀疏图族（例如，有界度图）是开放的。
2010-01-19 cs.CC quant-ph
Scaling overhead of embedding optimization problems in quantum annealing
为了用硬件量子退火器处理全对全连接二次二进制优化问题（QUBO），由于硬件拓扑的稀疏性，需要嵌入原始问题。嵌入全连接图-通常在工业应用中发现-会产生二次空间开销，因此在求解时间上会产生显着开销。在这里，我们研究这种嵌入惩罚建立平面嵌入方案，如未成年人嵌入在一个正方形格子，未成年人嵌入在嵌合体图，和Lechner-Hauke-Zoller计划使用模拟量子退火的经典硬件。大规模量子蒙特卡罗模拟表明多项式时间的解决方案的开销。我们的研究结果表明，标准模拟量子退火硬件与经典数字退火器以及门模型量子退火器相比处于劣势，并且也可以作为标准量子退火协议改进的基准。
2021-11-03 cond-mat.dis-nn quant-ph
Embedding Quantum Simulators for Quantum Computation of Entanglement
我们引入了嵌入量子模拟器的概念，这是一种允许对一类二分和多分纠缠单调进行有效量子计算的范例。它包括在嵌入量子模拟器的扩大的希尔伯特空间中对模拟的量子动力学进行适当的编码。通过这种方式，纠缠单调被方便地映射到物理观测值上，克服了完全层析成像的必要性，并大大降低了实验要求。此外，该方法直接适用于纯态，并在经典算法的辅助下，混合态的情况下。最后，我们期望所提出的嵌入框架为增强的一对一量子模拟器的一般理论铺平道路。
2013-12-13 cond-mat.mes-hall cond-mat.quant-gas cond-mat.supr-con
A QPINN Framework with Quantum Trainable Embeddings for the Lid-Driven Cavity Problem
Aalborg University（奥尔堡大学）；Texas Tech University（德克萨斯理工大学）；FPT University（FPT大学）；University of Porto（波尔图大学）
本文提出一种量子物理信息神经网络框架，利用量子神经网络学习数据自适应的量子特征映射，以提高求解非线性流体动力学问题的效率和准确性。
2026-05-12 physics.flu-dyn quant-ph
EnQode: Fast Amplitude Embedding for Quantum Machine Learning Using Classical Data
Rice University（莱斯大学）；Santa Clara University（圣克拉拉大学）
针对传统振幅嵌入线路深、噪声不一致导致QML精度下降的问题，提出基于符号表示的EnQode技术，通过聚类与低深度特定机器拟设优化门操作，实现90%以上保真度的低噪声一致嵌入，为NISQ设备提供高效可扩展的经典数据量子编码开源方案。
2025-03-18 cs.ET cs.LG quant-ph
Generative Quantum Data Embeddings for Supervised Learning
Department of Statistics and Data Science, Yonsei University, Seoul 03722, Republic of Korea（统计与数据科学系，延世大学，首尔03722，韩国）；Department of Applied Statistics, Yonsei University, Seoul 03722, Republic of Korea（应用统计学系，延世大学，首尔03722，韩国）；Department of Quantum Information, Yonsei University, Seoul 03722, Republic of Korea（量子信息系，延世大学，首尔03722，韩国）
提出一种基于能量的生成学习框架，通过保真度替代目标优化嵌入结构和参数，提升分类性能，并利用Wasserstein距离解释性能饱和现象。
2026-05-29 cs.LG quant-ph
Tailor Made Embeddings for Quantum Machine Learning
提出变分自编码器框架学习任务特定的量子嵌入，将高维数据压缩到13量子比特表示，在MNIST上达到98.5%验证准确率，且可从多项式测量中重建原始数据。
2026-06-26 cs.CV cs.LG quant-ph
Constructing quantum codes from any classical code and their embedding in ground space of local Hamiltonians
针对量子纠错需求，提出从任意经典码构造量子码的框架（推广CSS码且超越稳定子形式），通过示例验证其优势，并构造含线性距离量子码的局域哈密顿量基态空间以规避Bravyi-Terhal定理。
2024-11-22 cond-mat.str-el math-ph math.MP
Quantum-Classical Embedding via Ghost Gutzwiller Approximation for Enhanced Simulations of Correlated Electron Systems
Ames National Laboratory（艾姆斯国家实验室）；Department of Physics and Astronomy, Iowa State University（爱荷华州立大学物理与天文系）；School of Electrical Engineering and Computer Science, Washington State University（华盛顿州立大学电气与计算机工程学院）；School of Physics and Astronomy, Rochester Institute of Technology（罗切斯特理工学院物理与天文学院）；Center for Computational Quantum Physics, Flatiron Institute（平顿研究所计算量子物理中心）
本文提出基于幽灵Gutzwiller近似的量子-经典嵌入框架，用于提升相关电子系统地面态和谱函数的模拟精度，通过分析电路复杂性并采用Iceberg量子错误检测码减少噪声影响。
2025-06-01 cond-mat.str-el physics.comp-ph quant-ph
Linear embedding of nonlinear dynamical systems and prospects for efficient quantum algorithms
大型非线性动力系统的模拟，包括由双曲型偏微分方程离散化产生的系统，可能需要大量的计算。这样的系统在流体和动力学计算等离子体物理中都很重要。这促使人们探索未来的纠错量子计算机是否可以比任何经典计算机更有效地执行这些模拟。我们描述了一种方法，用于映射任何有限的非线性动力系统到一个无限的线性动力系统（嵌入），并详细介绍了这种方法的三个具体情况下，对应于以前研究的映射。然后，我们探讨了一种方法来近似所产生的无限线性系统与有限线性系统（截断）。如果非线性足够弱，则使用非线性系统的变量数量仅为对数的量子比特数量，量子计算机可以模拟截断系统以近似输出量。三个详细的嵌入策略的计算效率的其他方面也进行了讨论。
2021-06-10 physics.plasm-ph quant-ph
Multi-channel convolutional neural quantum embedding
Department of Statistics and Data Science, Yonsei University（延世大学统计与数据科学系）；Department of Applied Statistics, Yonsei University（延世大学应用统计系）
本文提出一种混合方法优化量子嵌入，超越标准量子计算电路模型的限制，用于多通道数据。通过CIFAR-10和Tiny ImageNet数据集评估模型性能，并提供理论分析指导模型设计。
2025-09-26 cs.LG quant-ph
Quantum-Classical Effective Fragment Potential Embedding for Condensed-Phase Quantum Chemistry
Iowa State University（爱荷华州立大学）；Ames National Laboratory（艾姆斯国家实验室）；Oak Ridge National Laboratory（橡树岭国家实验室）
提出量子-经典有效碎片势（Q-EFP）方法，用量子算法处理活性区、EFP描述环境，验证了嵌入哈密顿量，将量子寄存器需求缩减10-35倍，适用于更大溶剂化体系。
2026-09-17 physics.chem-ph quant-ph
Testing of Hybrid Quantum-Classical K-Means for Nonlinear Noise Mitigation
本研究测试混合量子-经典K-Means算法在16-QAM和64-QAM数据上的性能，与经典算法对比，分析角度嵌入和交换测试的影响，并讨论未来研究方向。
2023-10-10 eess.SP quant-ph
Metric Learning with Quantum Feature Spaces
针对 QMeL 在 NISQ 设备上电路宽、深度高的问题，本文提出 QPMeL，用经典模型学习量子比特极坐标参数，并结合浅层 PQC 与 Fidelity Triplet Loss，实现 3 倍多类分离提升且门数和深度减半。
2026-10-20 cs.AI quant-ph
Continuous-Variable Quantum Encoding Techniques: A Comparative Study of Embedding Techniques and Their Impact on Machine Learning Performance
Indian Institute of Management (IIM)（印度管理学院（IIM））
本文比较了连续变量量子计算中的位移编码、压缩编码与离散量子IQP编码对经典机器学习模型性能的影响，发现CVQC编码能显著提升分类准确率和F1分数，但计算成本因编码复杂度和模型架构而异，为量子-经典混合学习的实际应用提供了可行性分析。
2025-04-09 cs.AI quant-ph
Neural Quantum Embedding: Pushing the Limits of Quantum Supervised Learning
本文提出神经量子嵌入（NQE），利用经典深度学习突破正定迹保持映射限制以优化量子嵌入，在 IBM 量子设备上实现图像分类准确率从 0.52 提升至 0.96，并同时改善量子神经网络和量子核方法的可训练性与泛化性。
2024-08-09 cs.ET quant-ph
Electric Field Gradient Calculations for Ice VIII and IX using Polarizable Embedding: A Comparative Study on Classical Computers and Quantum Simulators
本文比较了PE-VQE-SCF与CASSCF在冰VIII和冰IX电场梯度计算中的表现，证明包含环境对匹配实验数据至关重要，并分析了环境对量子电路复杂度的影响。
2024-04-22 physics.chem-ph quant-ph
Variational Quantum Circuit Model for Knowledge Graphs Embedding
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens AG（西门子公司）；Singapore University of Technology and Design（新加坡科技设计大学）；ETH Zurich（苏黎世联邦理工学院）
在这项工作中，我们提出了第一个量子Ansätze的统计关系学习知识图使用参数量子线路。本文介绍了两种用于知识图嵌入的变分量子线路。受经典表示学习的启发，我们首先将实体的潜在特征看作是量子态的系数，而谓词则是作用于量子态的参数门。对于第一个模型，当涉及到这个模型的优化时，量子优势消失了。因此，我们引入了第二个量子线路模型，其中实体的嵌入是由作用于纯量子态的参数化量子门产生的。第二种方法的好处是可以有效地训练量子嵌入，同时保持量子优势。我们表明，所提出的方法可以实现与最先进的经典模型，例如，RESCAL，DistMult。此外，在优化模型之后，知识图上的归纳推理的复杂度可以相对于实体的数量而降低。
2019-02-19 cs.AI quant-ph
QuCoWE Quantum Contrastive Word Embeddings with Variational Circuits for NearTerm Quantum Devices
本文提出QuCoWE量子词嵌入框架，基于浅层参数化量子电路与对比跳字目标学习量子原生词嵌入，引入正则化缓解贫瘠高原，在两类文本数据集上以更少参数取得与经典基线相当的性能，适配近期量子设备部署。
2025-11-13 cs.ET quant-ph
Quantum Language Model with Entanglement Embedding for Question Answering
Zhejiang University（浙江大学）；University of New South Wales（新南威尔士大学）
量子语言模型（QLM），其中的话被建模为量子叠加的义素已表现出高层次的模型透明性和良好的事后解释能力。然而，在目前的文献中，字序列基本上被建模为一个经典的混合字状态，不能充分利用量子概率描述的潜力。一个完整的量子模型还有待开发，以明确捕捉单词序列中的非经典相关性。提出了一种神经网络模型，该模型引入了一个新的纠缠嵌入（EE）模块，其功能是将字序列转化为多体量子系统的纠缠纯态。强量子纠缠是量子信息的核心概念，也是单词之间并行相关性的一个标志，在单词序列中可以观察到。数值实验表明，与经典的深度神经网络模型和其他QLM相比，所提出的QLM with EE（QLM-EE）在问答（QA）数据集上实现了更好的性能。此外，通过量化词之间的纠缠程度，可以提高模型的事后可解释性。
2021-12-20 cs.AI cs.CL quant-ph
Variational Embeddings for Many Body Quantum Systems
本研究提出一种多体量子系统的变分嵌入方案，结合经典与量子硬件、用不同精度参数化函数表征系统，在自旋链和小分子上验证了有效性，为精度与成本权衡提供了思路。
2024-06-19 cond-mat.other physics.comp-ph quant-ph
Reverse Map Projections as Equivariant Quantum Embeddings
Zaiku Group Ltd.（扎伊库集团有限公司）；Tecacet Inc.（特卡塞特公司）；National Quantum Computing Centre（国家量子计算中心）
本文提出一类新的反向地图投影嵌入，用于将经典数据编码为量子态，解决振幅嵌入丢失范数信息的问题，并作为等变嵌入提升量子机器学习性能，实验表明其优于标准振幅嵌入。
2024-08-19 cs.AI cs.ET math-ph
Transfer Learning for Quantum Classifiers: An Information-Theoretic Generalization Analysis
University of Birmingham（伯明翰大学）；King’s College London（伦敦国王学院）
在经典输入上操作的量子机器学习模型的关键组件是将输入映射到量子态的嵌入电路的设计。本文研究了一种迁移学习设置，其中经典到量子嵌入是由一个任意参数的量子线路进行的，该量子线路是基于来自源任务的数据进行预训练的。在运行时，基于来自感兴趣的目标任务的数据来优化嵌入的二进制量子分类器。平均超额风险，即，所得到的分类器的最优性间隙取决于源任务和目标任务的相似程度。我们引入了一个新的措施（dissimilarity）之间的二进制量子分类任务通过跟踪距离。上界的最优性差距的建议的任务（DIS）相似性度量，两个R $é$ nyi经典输入和量子嵌入源和目标任务之间的互信息项，以及量子嵌入和分类器的组合空间的复杂性的措施下的源任务。理论结果验证了一个简单的二元分类的例子。
2022-11-30 cs.IT cs.LG math.IT
