On Neural Quantum Support Vector Machines
Bundesdruckerei GmbH(联邦印刷有限公司)
本文引入了带有量子核的神经量子支持向量机,并将先前提出的四种神经支持向量机训练算法的可行性与结果扩展至该量子设定。
2023-11-24 cs.LG quant-ph
Variational Quantum Approximate Support Vector Machine with Inference Transfer
KAIST(韩国科学技术院);Yonsei University(延世大学);Qunova Computing, Inc.(Qunova计算公司)
基于核的量子分类器是用于复杂数据的超线性分类的最实用和最有影响力的量子机器学习技术。我们提出了一种变分量子近似支持向量机(VQASVM)算法,该算法证明了即使在NISQ计算机中量子操作也是可行的经验次二次运行时复杂度。我们在基于云的NISQ机器上用玩具示例数据集试验了我们的算法,作为概念证明。我们还在标准Iris flower和MNIST数据集上对其性能进行了数值研究,以确认其实用性和可扩展性。
2023-02-28 cs.LG quant-ph
Harnessing Quantum Support Vector Machines for Cross-Domain Classification of Quantum States
Indian Institute of Technology Jodhpur(焦特布尔印度理工学院);Central University of Punjab(旁遮普中央大学)
本文提出利用量子支持向量机进行量子态跨域分类,实现对两量子比特混合态的纠缠与可分性判别,并验证了其在贝尔对角态失谐分类及局域幺正扰动下的鲁棒性,优于经典方法。
2024-07-22 cs.LG quant-ph
Quantum Machine Learning For Classical Data
University College London(伦敦大学学院)
在这篇论文中,我们研究了量子计算和监督机器学习算法的交叉点,这意味着我们研究了在经典数据上操作的监督机器学习的量子算法。这一研究领域属于量子机器学习的范畴,量子机器学习是计算机科学的一个研究领域,最近受到了广泛的关注。特别是,我们研究了量子计算机在多大程度上可以用于加速监督机器学习算法。其目的是清楚地了解用于监督机器学习的量子算法的当前技术水平的承诺和局限性,同时也为这一令人兴奋的领域的未来研究确定方向。我们首先通过统计学习理论的视角来研究监督量子机器学习(QML)算法。在这个框架中,我们得到了新的边界上的一个大的监督QML算法的最佳学习率的要求下的计算复杂度。接下来,我们给出了一个新的界限,密集的哈密尔顿算子,一个主要的子程序的监督QML算法的哈密尔顿模拟,然后推导出一个经典的算法几乎相同的复杂性。然后,我们将其与最近的“量子启发”结果进行比较,并将解释这些结果对量子机器学习应用的影响。寻找QML算法可能具有更大优势的领域,我们最终提出了一种新的量子玻尔兹曼机算法,并认为量子数据的量子算法是QML最有前途的应用之一,与经典方法相比具有潜在的指数优势。
2021-05-12 cs.LG quant-ph
Multiple Embeddings for Quantum Machine Learning
Nanjing University(南京大学)
针对现有量子机器学习因单一嵌入策略导致拟合能力不足的问题,提出整合多种量子数据嵌入策略的新框架,实验验证其性能显著优于现有最先进方法。
2025-03-27 cs.LG quant-ph
Quantum Machine Learning Implementations: Proposals and Experiments
Universidad de Sevilla(塞维利亚大学)
本文综述量子机器学习领域的近期理论方案与实验实现,聚焦高影响力主题及对应平台实验,提出需在含噪声中等规模量子计算机上推进该技术落地以实现更优的机器学习计算。
2023-03-11 cs.LG quant-ph
Compositional optimization of quantum circuits for quantum kernels of support vector machines
University of British Columbia(不列颠哥伦比亚大学);Stewart Blusson Quantum Matter Institute(斯图尔特·布鲁森量子物质研究所)
虽然量子机器学习(ML)已被认为是量子计算最有前途的应用之一,但如何构建优于经典ML的量子ML模型仍然是一个主要的开放问题。在这里,我们展示了一个贝叶斯算法构建量子内核的支持向量机,适应量子门序列的数据。该算法通过附加以贝叶斯信息准则选择的量子门作为电路选择度量,并对识别出的局部最优量子线路的参数进行贝叶斯优化,从而逐步增加了量子线路的复杂度。我们的目标是为SVM构建量子内核,可以用尽可能少的训练数据解决分类问题。这里考虑的分类问题的量子模型的性能显着超过传统内核的优化经典模型。
2023-03-08 cs.LG quant-ph
Simulations of Quantum Turing Machines by Quantum Multi-Stack Machines
众所周知,在经典计算中,图灵机、电路、多栈机和多计数器机是等价的,也就是说,它们可以在多项式时间内相互模拟。在量子计算中,姚文[11]首先证明了对于任何量子图灵机$M$,存在量子布尔电路$(n,t)$ -模拟$M$,其中$n$表示输入字符串的长度,$t$是机器停止前的移动步数。然而,量子多栈机和量子多计数器机对量子图灵机的模拟还没有被考虑,量子多栈机也没有建立。虽然Kravtsev [6]和Yamasaki { \it et al.} [10],其中机器仅用$0,\pm 1$计数,我们感觉到用这种量子计算设备很难模拟量子图灵机,因此我们证明了对于某些$n>1$,允许用$0,\pm 1,\pm 2,...,\pm n$计数的量子多计数器机器可以有效地模拟量子图灵机.因此,我们的主要目标是建立量子多栈机和量子多计数器机与计数$0,\pm 1,\pm 2,...,\pm n$和$n>1$,特别是模拟量子图灵机的量子计算设备。
2005-06-06 quant-ph
Quantum machine learning and quantum biomimetics: A perspective
Universidad de Sevilla(塞维利亚大学)
量子机器学习已经成为量子技术中令人兴奋和有前途的范例。一方面,它可以允许通过量子设备进行更有效的机器学习计算,而另一方面,可以使用机器学习技术来更好地控制量子系统。在量子机器学习中,量子强化学习的目标是开发“智能”量子代理,这些代理可以与外部世界进行交互并适应它,其策略是实现某些最终目标。量子机器学习中的另一个范例是量子自动编码器,它可以允许人们通过训练过程在量子设备中使用更少的资源。此外,量子仿生学领域旨在建立生物和量子系统之间的类比,以寻找可能实现有用应用的先前无意的连接。最近的两个例子是量子人工生命和量子忆阻器的概念。在这个视角中,我们对这些主题进行了概述,描述了科学界进行的相关研究。
2020-05-30 cond-mat.mes-hall cs.LG quant-ph
Solving machine learning optimization problems using quantum computers
U.S. Army Research Laboratory(美国陆军研究实验室);U.S. Military Academy(美国军事学院);Army Cyber Institute(陆军网络研究所)
机器学习中的经典优化算法在应用于多维问题时通常需要很长的计算时间,并且需要大量的CPU和GPU资源。量子并行有可能加速机器学习算法。我们描述了一个通用的数学模型来利用量子并行来加速机器学习算法。我们还将量子机器学习和量子并行应用于随时间变化的$3$维图像。
2019-11-17 cs.LG quant-ph stat.ML
An Introduction to Quantum Machine Learning for Engineers
King's College London(伦敦国王学院)
在当前嘈杂的中间尺度量子(NISQ)时代,量子机器学习正在成为编程基于门的量子计算机的主导范式。在量子机器学习中,量子线路的门被参数化,并且参数基于数据和电路输出的测量经由经典优化来调谐。参数化量子线路(PQC)可以有效地解决组合优化问题,实现概率生成模型,并进行推理(分类和回归)。这本专著为具有概率和线性代数背景的工程师观众提供了量子机器学习的独立介绍。它首先描述了描述量子操作和测量所必需的背景、概念和工具。然后,它涵盖了参数化量子线路,变分量子本征求解器,以及无监督和监督量子机器学习公式。
2022-06-11 cs.ET cs.LG quant-ph
Challenges and Opportunities in Quantum Machine Learning
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Quantum Science Center(量子科学中心);University of Waterloo(滑铁卢大学);California Institute of Technology(加州理工学院);Normal Computing Corporation(Normal计算公司)
在机器学习和量子计算的交叉点上,量子机器学习(QML)有可能加速数据分析,特别是量子数据,并应用于量子材料,生物化学和高能物理。然而,QML模型的可训练性仍然存在挑战。在这里,我们回顾目前的方法和应用QML。我们强调量子和经典机器学习之间的差异,重点是量子神经网络和量子深度学习。最后,我们讨论的机会,量子优势与QML。
2023-03-16 cs.LG quant-ph stat.ML
Quantum Machines
我们讨论量子信息处理机。我们从单一用途的机器开始,它们要么重新分配量子信息,要么识别量子态。然后,我们转向可以执行许多功能的机器,它们执行的功能由程序决定,程序本身就是一个量子态。给出了确定性和概率可编程机器的例子,最后我们讨论了量子程序的实用性。
2009-03-24 quant-ph
Hybrid Quantum Cloning Machine
在这项工作中,我们介绍了一种特殊的量子克隆机称为混合量子克隆机。引入的混合量子克隆机或转换只不过是预先存在的量子克隆转换的组合。从这个意义上说,它在量子克隆者领域创造了自己的身份。混合量子克隆机可以有两种类型:(i)状态依赖型和(ii)状态独立型或通用型。我们在这里研究上述两种类型的混合量子克隆机。稍后,我们将证明状态相关的混合量子克隆机只能应用于四个输入状态。本文还将找到另一种非对称通用量子克隆机,它是由最佳通用BH量子克隆机和通用反克隆机组合而成的。这两个输出的重复性不同,它们的值位于${5/6} $的邻域内
2007-06-14 quant-ph
Quantum machine learning -- lecture notes
University of Ljubljana(卢布尔雅那大学)
本文为计算机科学家提供量子机器学习的讲义笔记,涵盖相关理论与应用。
2025-12-03 quant-ph
Quantum enigma machines
恩尼格玛机是使用伪随机数执行加密的设备。最初的英格玛机器码是通过检测这些伪随机数中的隐藏模式来破解的。本文提出了一个量子光学谜机的模型,并表明量子数据锁定的现象,使这样的量子谜机可证明是安全的,即使在存在噪声和损失。
2013-07-01 quant-ph
Identification and Mitigating Bias in Quantum Machine Learning
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文围绕量子机器学习中的偏差问题,系统探讨其表现形式、产生原因及识别、诊断与缓解策略,为该领域偏差治理提供研究框架。
2024-09-23 cs.AI cs.LG quant-ph
The Power of One Qubit in Machine Learning
核方法在经典机器学习中得到了广泛的应用,尤其是在模式分析领域。在本文中,我们提出了一种基于核的量子机器学习算法,可以在短期,中等规模的量子设备上实现。我们的建议是基于估计经典难处理的核函数,使用一个有限的量子模型称为确定性量子计算与一个量子位。我们的方法提供了一个框架,研究的作用,量子相关性以外的量子纠缠的机器学习应用。
2019-06-08 quant-ph
Quantum features and signatures of quantum-thermal machines
本章的目的是指出量子现象是如何影响微观热机的运行的,如发动机和冰箱。由于将热量转换为功是热力学的基本问题之一,量子热机的平台揭示了量子领域的热力学。本章重点介绍量子力学的基本特征,如能量量子化、不确定原理、量子相干性和相关性,以及它们在微观热器件中的表现。除了指出由于它们的非经典特征的热机的特殊行为,我们提出了这些机器的量子热力学签名。任何对这些机器的热力学测量的经典界限的违反都是得出量子效应存在于该热力机器的操作中的结论的充分条件。实验装置证明了一些结果。
2018-03-15 quant-ph
Universal Approximation Property of Quantum Machine Learning Models in Quantum-Enhanced Feature Spaces
Reservoir Computing Seminar Group(储层计算研讨会小组);Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院)
将经典数据编码成量子态被认为是将经典数据映射到量子希尔伯特空间的量子特征映射。该特征图提供了将量子优势结合到机器学习算法中的机会,这些算法将在近期的中等规模量子计算机上执行。关键的想法是使用量子希尔伯特空间作为机器学习模型中的量子增强特征空间。虽然量子特征映射在某些特定应用中与线性分类模型相结合时已经证明了其能力,但从理论角度来看,其表达能力仍然未知。我们证明了从量子增强特征空间导出的机器学习模型是典型量子特征映射下连续函数的通用逼近器。我们还研究了量子特征映射在不相交区域分类中的能力。我们的工作实现了重要的理论分析,以确保基于量子特征映射的机器学习算法可以处理广泛的机器学习任务。有鉴于此,人们可以设计一个具有更强大表现力的量子机器学习模型。
2021-08-30 cs.LG quant-ph stat.ML
Some relations between quantum Turing machines and Turing machines
对于量子图灵机,我们提出了三个元素:它的组件,它的时间演化算子和它的局部转移函数。其中的分量与确定性图灵机的分量有关,时间演化算子与可逆图灵机的演化有关,局部转移函数与概率性和可逆图灵机的转移函数有关。
1999-12-06 quant-ph
Local Transition Functions of Quantum Turing Machines
量子图灵机的概念的基础进行了调查。根据Deutsch的公式,量子图灵机的时间演化将由局部跃迁函数决定。本文对完全一般的量子图灵机,包括多带量子图灵机,刻画了局部转移函数,推广了Bernstein和Vazirani的结果.
2000-12-26 quant-ph
Quantum Learning Machine
我们提出了一个新的概念,量子学习机自动控制量子相干性和开发量子算法。量子学习机可以被训练成在没有关于其算法的先验知识的情况下学习某个任务。作为一个例子,它表明,量子学习机学习Deutsch的任务,并发现自己的量子算法,这是不同于但相当于原来的一个。
2008-03-31 quant-ph
Qsun: an open-source platform towards practical quantum machine learning applications
目前,量子硬件受到噪声和量子比特数的限制。因此,在经典计算机上模拟量子计算机操作的量子虚拟机是在将量子算法部署到真正的量子计算机之前开发和测试量子算法的重要工具。各种变分量子算法已经被提出并在量子虚拟机上进行了测试,以超越量子硬件的限制。我们的目标是进一步利用变分量子算法,使用最先进的量子计算机实现量子机器学习的实际应用。本文首先介绍了我们设计的量子虚拟机Qsun,它的运行是以量子态波函数为基础的。该平台提供了支持变分量子算法的本地工具。特别是使用参数转移规则,我们实现了量子可微规划基本的梯度优化。然后,我们报告了两个代表量子机器学习的测试:量子线性回归和量子神经网络。
2022-03-01 quant-ph
Generalized Quantum Turing Machine and its Application to the SAT Chaos Algorithm
Ohya和Volovich提出了一种新的基于混沌放大的量子计算模型来解决SAT问题,这是一种超越常规量子算法的新方法。本文推广了量子图灵机,并证明了在这个广义量子图灵机(GQTM)中可以处理OV SAT算法。
2004-05-31 quant-ph
Two-qubit universal and state-dependent quantum cloning machine and quantum correlation broadcasting
由于量子力学的公理,完美克隆未知的量子态是不可能的。但由于不完美克隆仍然是可能的,一个问题出现了:“是否存在最佳的量子克隆机?Buzek和Hillery回答了这个问题,并建造了他们著名的B-H量子克隆机。B-H机以最优方式克隆任意单个量子比特的状态,因此它是通用的。将该机器推广到两量子比特系统是简单的,但是该过程没有以最佳方式保持存在于二分态中的量子关联,并且在该过程中,该机器失去了其普适性,成为状态依赖的克隆机器。本文提出了一种双量子比特系统的最优普适局域量子态克隆器。我们还提出了两类依赖态的局域量子复制机。此外,我们研究了量子关联的两个方面,即,量子纠缠和量子不和谐定义,分别在纠缠可分性范式和从信息论的角度来看。结果表明,尽管量子关联在传播过程中通常是非常脆弱的,但量子不和谐的传播比量子纠缠更鲁棒。
2016-04-18 quant-ph
A Quick Introduction to Quantum Machine Learning for Non-Practitioners
Naval Surface Warfare Center Panama City Division(海军水面作战中心巴拿马城分部)
本文面向非实践者介绍量子机器学习,阐述如何利用量子叠加与纠缠等原理改进经典模型,并覆盖量子门、可训练量子电路及经典深度学习基础,以帮助初学者高效入门。
2024-02-22 cs.ET cs.LG quant-ph
On Halting Process of Quantum Turing Machine
我们证明了没有算法来判断一个任意构造的量子图灵机在不同的计算分支上是否具有相同的时间步长。因此,我们不能避免量子图灵机中停机是概率性的概念。我们的研究结果表明,量子图灵机的停机方案和基于现有停机方案的量子复杂性理论应该重新审视。
2003-02-07 quant-ph
An efficient quantum algorithm for generative machine learning
Center for Quantum Information, IIIS, Tsinghua University(清华大学交叉信息研究院量子信息中心);Department of Physics, University of Michigan(密歇根大学物理系)
量子计算领域的一个中心任务是找到量子计算机可以提供比任何经典计算机指数加速的应用。机器学习是一个重要的领域,具有广泛的应用,量子计算机可以提供显着的加速。基于线性代数问题的有效求解,已经发现了几种用于判别式机器学习的量子算法,在量子随机存取存储器的有效输入的假设下,在运行时具有潜在的指数加速。在机器学习中,生成模型代表了另一大类,广泛用于监督和无监督学习。在这里,我们提出了一个有效的量子机器学习算法的基础上量子生成模型。我们证明了我们提出的模型是指数更强大的代表概率分布相比,经典的生成模型,并具有指数加速训练和推理至少在某些情况下,在计算复杂性理论的合理假设。我们的结果为量子机器学习开辟了一个新的方向,并提供了一个显着的例子,其中量子算法在一个重要的应用领域显示出指数级的改进。
2017-11-06 cs.LG quant-ph stat.ML
Quantum Cloning Machines and the Applications
不可克隆定理是量子力学和量子信息科学的基础,它指出一个未知的量子态是不可能完全克隆的。然而,我们可以尝试以最佳保真度近似地克隆一个量子态,或者相反,我们可以尝试以最大的概率完美地克隆它。因此,针对不同的量子信息协议设计了各种量子克隆机。具体来说,量子克隆机可以用来分析诸如BB84协议、六态协议、B92协议及其推广等量子密钥分发协议的安全性。一些著名的量子克隆机包括通用量子克隆机、相位协变克隆机、非对称量子克隆机和概率量子克隆机等。近年来,量子克隆机的研究及其应用和实现在理论和实验上都取得了很大的进展。在这篇综述中,我们将对量子克隆的重要进展以及相关的一些问题进行全面的描述。另一方面,这篇综述是自洽的,特别是,我们试图提出一些详细的公式,以便在这些结果的基础上进行进一步的研究。
2014-08-02 quant-ph
Cooperative many-body enhancement of quantum thermal machine power
我们研究了合作多体效应对磁驱动量子热机,特别是热机和制冷机运行的影响。在合适的几何结构中,$N$二能级原子可以以比单个原子更快的速率与驱动场和(热的和冷的)热浴交换能量,这是由于它们的SU(2)对称性导致原子表现为集体自旋$N/2$粒子。与$N$独立的、不相干的热机的功率输出相比,这种协同效应提高了热机的功率输出。在制冷状态下,也会发生类似的冷却功率提升。
2018-11-02 quant-ph
Quantum cloning machines for equatorial qubits
研究了赤道量子比特的量子克隆机。对于1到2相位协变的量子克隆机,我们提出了由量子门组成的网络来实现量子克隆变换。利用Peres-Horodecki准则证明了复制的赤道量子比特是可分的。给出了最优1到M相位协变量子克隆变换。
2001-09-05 quant-ph
Machine learning methods in quantum computing theory
经典机器学习理论和量子计算理论是当今发展最快的科学领域之一。近年来,研究人员研究了量子计算是否有助于改进经典机器学习算法。量子机器学习包括涉及经典算法和量子算法的混合方法。量子方法可以用来分析量子态而不是经典数据。另一方面,量子算法可以指数级地改进经典的数据科学算法。在这里,我们展示了量子机器学习的基本思想。我们提出了几种结合经典机器学习算法和量子计算方法的新方法。我们演示了多类树张量网络算法,并在IBM量子处理器上得到了验证。此外,我们还介绍了神经网络方法来解决量子层析成像问题。我们的层析成像方法使我们能够预测量子态排除噪声的影响。这种经典-量子方法可以应用于各种实验中,以揭示输入数据和输出测量结果之间的潜在依赖关系。
2019-06-21 quant-ph
Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning
NVIDIA Research(英伟达研究院);Wells Fargo Bank(富国银行);IBM Research(IBM研究院)
本文介绍了量子机器学习(QML)如何结合量子计算与机器学习,重点阐述了在NISQ设备上利用变分量子电路(VQC)开发QML架构的方法,并探讨了该领域的未来研究方向与潜在工业影响。
2024-11-14 cs.AI quant-ph
On the operation of machines powered by quantum non-thermal baths
不同型号的发动机由量子相干,因此非热,浴允许发动机效率超越标准的热力学卡诺约束。这些违规行为要求阐明其内在机制。在这里,我们表明,非热浴不仅可以传递热量,但也机械功的机器。卡诺界限不适用于这样的混合机。有趣的是,它可以表现出双重作用,同时作为发动机和制冷机,效率高达100%。我们的结论是,即使由量子浴驱动的机器可能表现出非常规的性能,但它仍然遵守传统的热力学原理。
2016-07-11 quant-ph
Quantum memristors for neuromorphic quantum machine learning
本文提出利用量子忆阻器在同一量子硬件中结合幺正演化与测量前馈的非线性,为量子机器学习部署高效的神经形态量子计算提供了新途径。
2024-12-25 cs.NE quant-ph
Elementary quantum cloning machines
考虑了用最小数量的量子操作接收任意量子态的副本的问题。
2006-02-03 quant-ph
Quantum Machine Learning using Gaussian Processes with Performant Quantum Kernels
量子计算机有机会为各种计算任务带来变革。最近,已经提出了使用大型量子设备的不可模拟性来通过使用内核方法执行具有量子优势的回归、分类和其他机器学习任务。虽然不可模拟是机器学习中量子优势的必要条件,但这并不充分,因为并非所有内核都同样有效。在这里,我们研究了使用量子计算机来执行一维和多维回归的机器学习任务,以及使用高斯过程的强化学习。通过使用用额外量子资源增强的高性能经典内核的近似,我们证明了量子设备,无论是在模拟还是在硬件上,都可以执行机器学习任务,至少和经典灵感一样好,甚至好很多倍。我们的内核设计展示了一条有效利用量子设备进行机器学习任务的途径。
2020-04-23 quant-ph
A Design for a Quantum Time Machine
这篇论文被撤回了,原因很明显。
2004-08-08 quant-ph
Variational Quantum Support Vector Machine based on $Γ$ matrix expansion and Variational Universal-Quantum-State Generator
我们使用基于变分量子电路模型的支持向量机分析了一个二进制分类问题。我们建议通过使用$Γ$矩阵展开来求解支持向量机的线性方程。此外,它表明,任意量子态的制备,通过优化的通用量子线路表示的任意$U(2^N)$基于最速下降法。它可能是现场可编程门阵列(FPGA)的量子推广。
2021-01-20 quant-ph
Realizing Quantum Boltzmann Machines Through Eigenstate Thermalization
量子玻尔兹曼机是玻尔兹曼机的自然量子推广,预计比经典的机器更具表现力,这在小系统的数值上和各种复杂性理论假设下的渐近性都得到了证明。然而,使用基于梯度的方法训练量子玻尔兹曼机需要对量子热分布中的可观测量进行采样,这是一个NP困难的问题。在这项工作中,我们发现,局部性的梯度可观的产生一个有效的采样方法的基础上的本征态热化假设,从而通过哈密顿模拟训练量子玻尔兹曼机在近期量子设备的有效方法。此外,在对要建模的数据分布的时刻的现实假设下,使用我们的算法采样的分布与理想量子玻尔兹曼机的分布近似相同。我们数值证明,根据建议的训练方案,量子玻尔兹曼机捕获多模态伯努利分布比经典的限制玻尔兹曼机具有相同的连接结构。我们还提供了我们的训练方案相对于噪声的鲁棒性的数值结果。
2019-03-04 quant-ph
Non Existence of Quantum Mechanical Self Replicating Machine
在这封信中,我们证明了量子世界中不可能存在自我复制机器。我们用量子力学的线性、无信号条件和局域幺正操作下的纠缠守恒三种不同但一致的方法建立了这个结果。
2007-01-14 quant-ph
Quantum machine learning for data scientists
本文旨在以一种可访问和一致的方式向数据科学家介绍和解释量子机器学习算法。所提出的算法和方程并没有以严格的数学方式编写,相反,压力是放在例子上,并一步一步地解释困难的主题。本文概述了所选的量子机器学习算法,但也提出了一种量子PCA算法的分数提取方法,并介绍了前馈量子神经网络中的一种新的代价函数。全文分为四个部分:第一部分介绍了基本的量子理论,第二部分介绍了量子计算和量子计算机体系结构。第三部分介绍了量子算法,这些算法将被用作量子机器学习算法的子程序。最后,第四部分描述了利用前面部分积累的知识的量子机器学习算法。
2018-04-25 quant-ph
A comprehensive review of Quantum Machine Learning: from NISQ to Fault Tolerance
Kadanoff Center for Theoretical Physics, The University of Chicago(芝加哥大学卡达诺夫理论物理中心)
本文全面综述了量子机器学习领域,涵盖从NISQ技术到容错量子计算硬件的基础概念、算法和统计学习理论。
2024-03-31 cs.AI cs.LG quant-ph
Machine Learning meets Quantum Foundations: A Brief Survey
机器学习的目标是帮助计算机在没有外部明确指令的情况下执行特定任务。量子基础试图解释量子理论的概念和数学基础。最近,机器学习的思想已经成功地应用于量子基础的不同问题。在这里,我们汇编了迄今为止在机器学习和量子基础接口上所做的代表性工作。我们总结了调查与潜在的未来方向。
2020-06-12 quant-ph
Quantum Cloning Machines of a d-level System
提出了d能级系统的最优N to M($M>N$)量子克隆机。酉克隆变换达到了保真度的界。
2001-07-25 quant-ph
Quantum machine learning over infinite dimensions
机器学习是计算机科学中一个迷人而令人兴奋的领域。最近,这种兴奋已经转移到了量子信息领域。目前,所有关于机器学习量子版本的提议都利用了离散变量的有限维基底。在这里,我们将量子机器学习推广到更复杂但仍然非常实用的无限维系统。我们提出了一个全光子连续变量量子计算机的量子机器学习算法的关键子程序,实现了指数级的加速比与他们的等效经典同行。最后,我们还绘制了一个实验性的实现,可以作为未来的光子演示的蓝图。
2016-11-14 quant-ph
Simultaneous Quantum Machine Learning Training and Architecture Discovery
随着门控量子机器学习的开始,这样一个系统的架构是一个悬而未决的问题。许多体系结构是临时创建的,或者直接与已知的经典体系结构类似。这里提出了一种新的算法,它学习门控量子机器学习架构,同时学习其参数。这个概念的证明和它的一些变化进行了探索和讨论。
2020-09-13 quant-ph
Quantum reservoir computing: a reservoir approach toward quantum machine learning on near-term quantum devices
量子系统在粒子数量上具有指数级的大自由度,因此提供了传统计算机无法模拟的丰富动力学。量子库计算是一种在量子系统上使用复杂而丰富的动力学的方法,因为它是用于时间机器学习的。在本章中,我们将从量子力学和机器学习的教学介绍开始,解释量子水库计算和相关方法,量子极限学习机和量子线路学习。所有这些量子机器学习方法在实验上都是可行的,并且在最先进的量子设备上是有效的。
2020-11-10 nlin.AO quant-ph
Error mitigation for quantum kernel based machine learning methods on IonQ and IBM quantum computers
核方法是大多数经典机器学习算法的基础,如高斯过程(GP)和支持向量机(SVM)。由于噪声中间尺度量子(NISQ)器件设计的最新进展,使用NISQ器件的计算内核引起了相当大的关注。然而,当前NISQ设备上的噪声和错误会对预测的内核产生负面影响。在本文中,我们利用两个量子核机器学习(ML)算法来预测两个不同的NISQ设备上的乳腺癌数据集的标签:量子核高斯过程(qkGP)和量子核支持向量机(qkSVM)。我们估计了11量子位IonQ和5量子位IBMQ Belem量子器件的量子内核。我们的研究结果表明,与非错误缓解的对应算法相比,错误缓解的量子内核机器学习算法的预测性能显着提高。在这两个NISQ设备的预测性能变得可比的无噪声量子模拟器和他们的经典同行
2022-07-04 quant-ph
A quantum speedup in machine learning: Finding a N-bit Boolean function for a classification
我们比较了用于学习N位布尔函数的量子和经典机器,以解决量子系统如何改善机器学习行为的问题。这两种机器包含相同数量的操作和控制参数,但只有量子机器利用由幺正算符自然诱导的量子相干性。我们表明,量子叠加使量子学习比经典学习更快,通过扩大近似解区域,即,可接受的区域。这也证明了一个标准的反馈模型,即随机搜索,和一个实际的模型,即差分进化的数值模拟。
2014-10-14 quant-ph
Teleportation using continuous variable quantum cloning machine
利用连续变量量子克隆机(变换)产生的三模纠缠,可以实现相空间中未知量子态的隐形传态。此外,继续我们的隐形传态协议,我们能够提高保真度的隐形传态获得的Look等人。84,3482(2000)]。本文还研究了克隆机输出的两个拷贝之间的纠缠。
2008-02-15 quant-ph
Fundamental bound on the power of quantum machines
给出热机输出功率的普遍上界是一个长期存在的问题。我们通过仔细地包括相互作用的切换过程来解决这个问题,为通用量子机提供自包含的配方。通过这种方式,我们展示了与能量-时间不确定原理相关的功率的基本上界。结果,外部控制器的能量波动被验证为用于产生电力的必要资源。这个界限意味着工作提取的功率和“噪声”之间的权衡,这产生了时间尺度上的估计,以获得可检测的工作提取。自治量子机的理想钟驱动模型给出了我们的界的具体证明。
2017-12-30 cond-mat.stat-mech quant-ph
Quantum chaos in quantum Turing machines
本文研究了一种双自旋量子图灵体系,其中图灵头自旋的离散局域旋转α m与量子控制的NOT操作交替进行.我们证明了一个单一的混沌参数输入α_m导致整个希尔伯特空间的混沌动力学。
1999-10-18 quant-ph