Advantages and Bottlenecks of Quantum Machine Learning for Remote Sensing
Massachusetts Institute of Technology (MIT)(麻省理工学院);University of Sannio(桑尼奥大学);European Space Agency(欧洲航天局);Italian Space Agency(意大利航天局)
这篇概念论文旨在简要介绍量子计算机,探索量子图像分类技术的现有方法,因此专注于遥感应用,并讨论在当前可用的开源平台上执行这些算法的瓶颈。初步结果证明了可行性。接下来的步骤包括扩展量子隐藏层的大小,并增加输出图像选项的种类。
2021-06-30 cs.AI cs.LG quant-ph
Limitations of Quantum Advantage in Unsupervised Machine Learning
Centre for High Energy Physics, Indian Institute of Science, Bangalore(高能物理中心,印度科学研究院,班加罗尔);International Centre for Theoretical Sciences, Bangalore(理论科学国际中心,班加罗尔)
研究探讨了量子方法在无监督学习中相较于经典方法的局限性,指出量子密度矩阵的独特特性在特定输入数据和目标可观测量下才可能带来优势。
2026-05-13 cs.LG quant-ph
Prospects for quantum advantage in machine learning from the representability of functions
Barcelona Supercomputing Center(巴塞罗那超级计算中心);Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫 Heinrich 赫兹研究所)
本文通过分析量子电路结构与函数可表示性之间的关系,揭示了机器学习中量子优势的潜在路径和经典模拟与量子鲁棒性的关键区别。
2025-12-22 cs.LG quant-ph stat.ML
Learning to Utilize Correlated Auxiliary Noise: A Possible Quantum Advantage
University of Waterloo(滑铁卢大学);Perimeter Institute for Theoretical Physics(圆周理论物理研究所);University of British Columbia(不列颠哥伦比亚大学);Institute for Quantum Computing, University of Waterloo(滑铁卢大学量子计算研究所)
这份文件有两个信息。首先,我们证明了处理噪声数据的神经网络可以学习利用与数据上的噪声相关的辅助噪声。实际上,网络学习使用相关辅助噪声作为近似密钥来解密其噪声输入数据。其次,我们证明,对于这项任务,随着噪声的增加,缩放行为是这样的,未来的量子机器可能具有优势。特别地,去相干在环境中产生相关的辅助噪声。因此,新方法可以通过提供机器学习的量子纠错来帮助实现未来的量子机器。
2020-09-16 cs.LG quant-ph
A scalable advantage in multi-photon quantum machine learning
University of Vienna(维也纳大学);Technology Innovation Institute(技术创新研究所)
本研究通过理论和实验证明多光子状态在量子机器学习中的可扩展优势,展示了线性光学电路学习能力的多项式增长及在光子集成平台上的应用
2025-11-26 physics.optics quant-ph
Parameterized Quantum Circuits with Quantum Kernels for Machine Learning: A Hybrid Quantum-Classical Approach
IBM(国际商业机器公司)
量子机器学习(QML)是利用量子计算进行计算的机器学习算法。随着经典数据的普遍性和重要性,量子-经典混合方法被称为QML。参数化量子线路(PQC),特别是量子核PQC,通常用于QML的混合方法中。本文讨论了带量子核的PQC的几个重要方面,包括PQC、量子核、具有量子优势的量子核以及量子核的可训练性。我们得出结论,量子核与混合核方法,又名。量子核方法作为QML的混合方法提供了明显的优势。它们不仅适用于有噪声的中间尺度量子(NISQ)设备,还可用于解决所有类型的机器学习问题,包括回归、分类、聚类和降维。此外,除了量子效用之外,如果量子内核,即,量子特征编码是经典的难以处理的。
2022-10-17 cs.LG quant-ph
Minimal quantum thermal machine in a bandgap environment: non-Markovian features and anti-Zeno advantage
分析了量子热机的一个极小模型,其中被驱动的二能级工作介质(WM)被嵌入在其光谱具有带隙的环境(库)中。与其光谱由带隙分离的热或冷储层重叠。近似和精确的治疗支持的分析考虑产生一个完整的表征,这个热机器在深量子域。对于慢到中等调制,储层的光谱响应接近平衡,在热流和功率输出中表现出边带(Floquet)共振。相反,对于更快的调制,强耦合和非马尔可夫特征引起WM和水库之间的相关性和两个水库之间。然后,发现对于连续和分段快速调制,导致增强的光谱储层响应的反芝诺效应的严格量子起源(“量子优势”)的功率提升。这些特征不能被标准的马尔可夫处理所捕获。
2022-11-23 cond-mat.stat-mech quant-ph
Benchmarking Quantum and Classical Machine Learning Models on Oncological Data
Cascade Quantum Inc(Cascade量子公司)
本研究开发公平基准测试方法,对比量子与经典机器学习模型在三类肿瘤数据集上的表现,未发现量子优势,建议优先分析高维度、更符合生物学实际的数据集以推进实用量子优势研究。
2026-08-13 quant-ph
Quantum Machine Learning Framework for Virtual Screening in Drug Discovery: a Prospective Quantum Advantage
The Hartree Centre, STFC(科学与技术设施委员会哈特里中心);IBM Quantum, IBM Research – Zurich(IBM研究院(苏黎世)IBM量子部门)
本文提出将经典支持向量分类器与量子核估计相结合的通用量子机器学习框架,用于基于配体的虚拟筛选,并在 IBM 量子处理器上验证其相对经典方法具有潜在优势。
2022-04-08 cs.LG physics.chem-ph quant-ph
Machine learning transfer efficiencies for noisy quantum walks
ITMO University(俄罗斯国立信息技术、机械学与光学研究型大学);Valiev Institute of Physics and Technology, Russian Academy of Sciences(俄罗斯科学院瓦列夫物理技术研究所);University of Basel(巴塞尔大学);Moscow Institute of Physics and Technology(莫斯科物理技术学院);National Center for Theoretical Sciences(国家理论科学中心);National Tsing Hua University(国立清华大学)
已知量子效应在穿过网络的粒子转移中提供优势。为了实现这一优势,必须找到对图类型和量子系统相干性的要求。在这里,我们表明,通过从模拟示例中学习,可以自动找到这些要求的过程。自动化是通过使用特定类型的卷积神经网络来完成的,该卷积神经网络学习理解使用哪个网络以及在哪个相干性要求下量子优势是可能的。我们的机器学习方法被应用于研究不同大小的循环图上的噪声量子行走。我们发现,它是可能的,以预测存在的量子优势的整个退相干参数范围内,即使是训练集以外的图形。我们的研究结果对于证明量子实验的优势具有重要意义,并为自动化科学研究和发现铺平了道路。
2020-02-18 cs.LG quant-ph stat.ML
Quantum Machine Learning: Quantum Kernel Methods
QSPectral Systems
本文研究量子核方法在支持向量机和卷积神经网络中的应用,通过数据依赖的投影量子核展示量子优势,并探索其作为CNN特征提取层的扩展。
2024-05-02 cs.LG quant-ph
Quantum Boltzmann Machines: Applications in Quantitative Finance
在这篇论文中,我们探索使用D-Wave Advantage 4.1量子退火机从量子玻尔兹曼分布中采样并训练量子玻尔兹曼机(QBM)。我们专注于使用QBM作为生成模型来生成合成外汇市场数据的现实问题,并分析结果如何与基于受限玻尔兹曼机(RBM)的经典模型相叠加。此外,我们研究了一个小的12量子位的问题,我们使用它来比较从优势4.1与理论获得的样本,并在此过程中获得重要的见解优势4.1可以如何采样量子玻尔兹曼随机变量,并用于训练QBM。通过这一点,我们能够证明Advantage 4.1可以在一定程度上对经典玻尔兹曼随机变量进行采样,但在对量子玻尔兹曼分布进行采样的能力方面受到限制。我们的研究结果表明,使用Advantage 4.1训练的QBM比使用模拟训练的QBM噪音大得多,并且很难达到与经典RBM相同的水平。然而,如果未来一代退火机可以生成更接近所需理论分布的样本,则QBM有可能优于经典RBM。
2023-01-30 q-fin.CP quant-ph
Quantum Advantage of Thermal Machines with Bose and Fermi Gases
本文证明无相互作用量子气体可构成依赖粒子统计、化学势和空间维度的热力学机器,并通过分析量子斯特林循环揭示低维度下费米与玻色气体的显著行为差异。
2023-04-18 quant-ph
Empirical Quantum Advantage Analysis of Quantum Kernel in Gene Expression Data
Shahjalal University of Science & Technology(沙贾拉尔科技大学)
本文研究量子机器学习在分类任务中的量子优势,通过比较量子与经典方法在基因表达数据集上的表现并评估量子电路计算复杂度,验证了量子核方法在现实世界中的可用性。
2024-11-11 cs.ET cs.LG quant-ph
Evidence of Quantum Machine Learning Advantage with Tens of Noisy Qubits
Leiden University(莱顿大学);QuTech and Kavli Institute of Nanoscience, Delft University of Technology(代尔夫特理工大学量子技术研究所和卡弗里纳米科学研究所)
该研究通过模拟和分析现有硬件在已知具有渐进优势的学习问题上的性能,证明在噪声量子数据条件下,相干量子处理在30到40个噪声量子比特的规模上仍能保持优势,表明近-term设备可以实现强学习优势。
2026-05-20 quant-ph
Power of data in quantum machine learning
Google Research(谷歌研究院);Institute for Quantum Information and Matter, Caltech(加州理工学院量子信息与物质研究所)
将量子计算用于机器学习是量子技术最令人兴奋的潜在应用之一。然而,提供数据的机器学习任务可能与通常研究的计算任务有很大不同。在这项工作中,我们证明了一些经典的难以计算的问题可以通过经典的机器从数据中学习来轻松预测。使用严格的预测误差界为基础,我们开发了一种方法来评估潜在的量子优势在学习任务。边界是紧密的渐近和经验预测广泛的学习模型。这些构造解释了数值结果,表明在数据的帮助下,经典机器学习模型可以与量子模型竞争,即使它们是针对量子问题定制的。然后,我们提出了一个投影量子模型,提供了一个简单而严格的量子加速学习问题的容错制度。对于近期实现,我们在工程数据集上展示了与一些经典模型相比的显着预测优势,这些工程数据集旨在展示迄今为止基于门的量子机器学习的最大数值测试之一中的最大量子优势,高达30个量子位。
2021-02-10 cs.LG quant-ph
Can Geometric Quantum Machine Learning Lead to Advantage in Barcode Classification?
University of Exeter(埃克塞特大学)
本文提出一种带嵌入对称性的几何量子机器学习方法,通过对称感知测量自适应实现相似性分类,在条形码相似性测试中显著优于经典Siamese网络,并分析了其优势来源及与BQP复杂度分离问题的联系。
2024-09-02 cond-mat.dis-nn cs.CV quant-ph
Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos with Practical Quantum Advantage
Centre for Computational Science, University College London(伦敦大学学院计算科学中心);Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学院);Centre for Advanced Research Computing, University College London(伦敦大学学院高级计算研究中心)
本文提出量子启发机器学习框架,结合量子生成模型与经典自回归预测器,提升高维混沌系统长期行为预测精度和频谱保真度,同时实现内存优势。
2026-03-13 cs.LG quant-ph
Predicting sampling advantage of stochastic Ising Machines for Quantum Simulations
Radboud University(拉德堡德大学);Politecnico di Bari(巴里理工大学);University of Messina(墨西拿大学)
本文提出利用随机异斯机在神经网络量子态模拟中实现量子磁体的高效采样,通过自相关时间分析预测采样优势,展示了大规模量子系统研究的潜力。
2026-03-05 cond-mat.dis-nn cs.ET quant-ph
The Born Supremacy: Quantum Advantage and Training of an Ising Born Machine
University of Edinburgh(爱丁堡大学);CNRS(法国国家科学研究中心);École Normale Supérieure(巴黎高等师范学院);Sorbonne Université(索邦大学)
对近期量子器件应用的研究是广泛的。量子机器学习被吹捧为此类设备的潜在利用,特别是那些超出经典计算机模拟能力范围的设备。在这项工作中,我们提出了一个生成的量子机器学习模型,称为伊辛出生机(IBM),我们表明,在最坏的情况下,并达到适当的错误概念,可以有效地模拟经典设备。我们还表明,这适用于培训过程中遇到的所有电路系列。特别是,我们探索量子线路学习使用非通用电路从伊辛模型哈密顿,这是实现短期量子设备。我们提出了两种新的训练方法的IBM利用斯坦离散和Sinkhorn发散成本函数。我们使用Rigetti的Forest平台和Aspen-1 16 Q芯片中的模拟器进行数值计算,我们建议的成本函数优于更常用的最大平均离散度(MMD)用于可微训练。我们还提出了一个改进的MMD提出了一种新的利用量子内核,我们证明了它的经典对应提供了改进。我们讨论了这些方法学习“硬”量子分布的潜力,这将证明量子优于经典计算机的壮举,并提供了第一个正式的定义,我们称之为“量子学习至上”。最后,我们提出了一个新的观点,量子电路编译领域使用IBM“模仿”目标量子线路,只使用经典的输出数据。
2021-04-27 cs.LG quant-ph
Quantum advantage for learning shallow neural networks with natural data distributions
Google Quantum AI(谷歌量子人工智能);University of Cambridge(剑桥大学);University of Edinburgh(爱丁堡大学)
本文提出了一种高效量子算法,在非均匀数据分布下实现学习周期神经元的指数级量子优势。
2026-02-09 cs.LG quant-ph
Quantum Advantage in Trading: A Game-Theoretic Approach
本文将量子博弈论模型应用于交易并在离子阱量子计算机上实现,发现其能达成收益更高的市场纳什均衡这一量子优势,或助力发现交易策略中的阿尔法,为量子计算影响金融策略发展提供依据。
2025-03-01 econ.TH quant-ph
Prospects of Privacy Advantage in Quantum Machine Learning
Global Technology Applied Research, JPMorgan Chase(摩根大通全球技术应用研究部);School of Physics, The University of Melbourne(墨尔本大学物理学院)
本研究探讨量子机器学习模型梯度的数据恢复难度,首次建立变分量子电路的动力学李代数与隐私性的关联,分析强弱隐私泄露的条件,为平衡可训练性与隐私保护的量子模型设计提供指导。
2024-05-15 cs.LG quant-ph
Quantum kernels for real-world predictions based on electronic health records
Amgen(安进公司);IBM Quantum(IBM量子);IBM Switzerland Ltd(IBM瑞士有限公司);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
近年来,关于近期量子机器学习的研究已经探索了被赋予量子内核(相似性度量)的经典机器学习算法如何超越纯粹的经典算法。虽然理论工作已经证明了在合成数据集上的优势,但迄今为止还没有工作从经验上研究量子优势是否可以实现以及用什么样的数据集。在本文中,我们报告的第一个系统的调查经验量子优势(EQA)在医疗保健和生命科学,并提出了一个端到端的框架来研究EQA。我们选择了电子健康记录(EHR)数据子集,并创建了5-20个特征和200-300个训练样本的配置空间。对于每个配置坐标,我们使用IBM量子计算机训练基于径向基函数(RBF)内核的经典支持向量机(SVM)模型和具有自定义内核的量子模型,使其成为迄今为止最大的量子机器学习实验之一。我们根据经验确定了量子内核可以在特定数据集上提供优势的制度,并引入了地形坚固性指数,这是一种有助于定量估计给定模型的准确性如何作为特征数量和样本大小的函数的度量。这里介绍的可推广的框架是一个关键步骤,先验识别的数据集,量子优势可能存在。
2022-01-31 cs.LG quant-ph
Anisotropy-assisted thermodynamic advantage of a local-spin thermal machine
本研究探究各向异性对双自旋耦合量子奥托热机性能的影响,发现局域自旋量子奥托发动机可借助量子干涉效应,在效率和最大功率上超越标准量子奥托极限。
2023-09-09 quant-ph
Demonstration of quantum advantage in machine learning
量子计算的主要前景是有效地解决某些问题,这些问题对于经典计算机来说过于昂贵。大多数具有已证实的量子优势的问题都涉及到重复使用一个黑盒子,或神谕,其结构编码的解决方案。算法性能的一个度量是查询复杂度,即,以给定概率找到解决方案所需的Oracle调用的数量的缩放。像Deutsch-Jozsa和Grover这样的量子算法的几个量子位演示已经在不同的物理系统中实现,如核磁共振、捕获离子、光学系统和超导电路。然而,在小规模上,这些问题已经可以用几个oracle查询来经典地解决,并且可达到的量子优势是适度的。在这里,我们使用一个五量子比特的超导处理器解决了一个基于预言机的问题,称为噪声学习奇偶校验。在同一个oracle上运行经典和量子算法,我们观察到查询计数有很大的差距,有利于量子处理。我们发现,这个差距增长的数量级的错误率和问题的大小的函数。这一结果表明,虽然通用量子计算需要复杂的容错架构,但在现有的噪声系统中已经出现了量子优势
2015-12-18 quant-ph
Machine learning with minimal use of quantum computers: Provable advantages in Learning Under Quantum Privileged Information (LUQPI)
Leiden University(莱顿大学);Honda Research Institute Europe GmbH(本田欧洲研究院有限公司);CWI Amsterdam(阿姆斯特丹数学中心)
本文研究了在量子优先信息下的学习框架,证明了在特定条件下量子特征提取能带来指数级的量子-经典优势。
2026-01-29 quant-ph
Universal expressiveness of variational quantum classifiers and quantum kernels for support vector machines
University of British Columbia(不列颠哥伦比亚大学);Technische Universität Darmstadt(达姆施塔特工业大学);Stewart Blusson Quantum Matter Institute(斯图尔特·布吕松量子物质研究所)
机器学习被认为是量子计算最有前途的应用之一。因此,寻找具有量子优势的量子机器学习模型是一个重要的研究目标。在这里,我们表明,变分量子分类器和支持向量机与量子内核可以解决分类问题的基础上的$k$ -Forrelation问题,这是已知的PromiseBQP-完成。由于PromiseBQP复杂性类包括所有有界误差量子多项式时间(BQP)决策问题,我们的研究结果意味着存在一个特征映射和一个量子核,使变分量子分类器和量子核支持向量机有效解决任何BQP问题。因此,这项工作意味着它们的特征映射和量子内核可以分别被设计为对于任何分类问题都具有量子优势,这些问题不能在多项式时间内经典地解决,但相反可以通过量子计算机解决。
2023-02-09 cs.LG quant-ph
Application of quantum machine learning using quantum kernel algorithms on multiclass neuron M type classification
Laboratoire de Recherche en Neurosciences Cliniques(临床神经科学研究实验室);IBM Technology(IBM技术公司);Ecole Nationale Supérieure de Cognitique Bordeaux(波尔多国立认知高等学院);IBM Quantum, IBM T J Watson Research Center(IBM量子计算部,IBM T.J.沃森研究中心)
针对神经元类型功能表征的长期挑战,本研究首次提出用基于量子核算法的量子机器学习对神经元形态进行多类分类,考察特征工程影响,发现其与经典方法性能相近且在部分配置有优势,加深对量子核方法在该任务中性能的理解。
2025-02-10 cs.LG quant-ph
Provable advantages of kernel-based quantum learners and quantum preprocessing based on Grover's algorithm
ETH Zürich(苏黎世联邦理工学院);Swiss Data Science Center(瑞士数据科学中心)
本文扩展量子支持向量机的加速结论,在核中利用 Grover 算法获得可证明优势,并通过模式匹配问题及量子预处理结合经典分类验证其实用性与性能提升。
2023-09-25 cs.LG quant-ph
Taking advantage of noise in quantum reservoir computing
本文研究量子噪声对量子储备池计算的影响,发现振幅阻尼噪声可提升机器学习性能,而退极化和相位阻尼噪声应优先纠正,为噪声硬件上的量子信息处理提供实践依据。
2023-06-08 quant-ph
Dissipation-induced collective advantage of a quantum thermal machine
该研究通过微观模型表明,共同环境在量子热机工作介质中诱导的关联,使其在强耗散下仍能输出功率,揭示了耗散可作为量子热机的有用资源。
2024-04-25 cond-mat.mes-hall quant-ph
Quantum advantage for differential equation analysis
用于微分方程求解和机器学习的量子算法可能提供所有已知经典算法的指数加速。然而,在有用的问题实例中获得这种潜在的加速也存在障碍。量子微分方程求解的根本障碍是输出有用的信息可能需要困难的后处理,而量子机器学习的根本障碍是输入训练集本身就是一项困难的任务。在本文中,我们证明,当结合起来,这些困难解决彼此。我们展示了量子微分方程求解的输出如何作为量子机器学习的输入,允许在主成分,功率谱和小波分解方面进行动态分析。为了说明这一点,我们考虑连续时间马尔可夫过程的流行病学和社交网络。这些量子算法提供了一个指数的优势,现有的经典蒙特卡罗方法。
2022-04-26 cs.DS cs.NA math-ph
A Review of Machine Learning Classification Using Quantum Annealing for Real-world Applications
University of Kentucky(肯塔基大学);Oak Ridge National Laboratory(橡树岭国家实验室)
优化机器学习管道的训练有助于降低训练成本并提高模型性能。一种这样的优化策略是量子退火,这是一种新兴的计算范式,在优化机器学习模型的训练方面显示出了潜力。物理量子退火器的实现已经由D-Wave系统实现,并可供研究界进行实验。最近使用量子退火的各种机器学习应用的实验结果显示了有趣的结果,其中经典机器学习技术的性能受到有限的训练数据和高维特征的限制。本文探讨了D-Wave的量子退火器在优化机器学习管道以解决现实世界分类问题方面的应用。我们回顾了应用领域上的物理量子退火已被用于训练机器学习分类。我们讨论并分析了在D-Wave量子退火机上进行的实验,这些实验用于图像识别、遥感成像、计算生物学和粒子物理学等应用。我们讨论了量子退火可能优于经典计算的可能优势和问题。
2021-06-05 cs.LG 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
Quantum machine learning advantages beyond hardness of evaluation
LIACS, Universiteit Leiden(莱顿大学 LIACS)
本研究证明了在标准复杂性假设下,量子学习在识别任务上具有优势,除非BQP包含在多项式层次中。
2026-02-18 quant-ph
Quantum Advantage Seeker with Kernels (QuASK): a software framework to speed up the research in quantum machine learning
European Organization for Nuclear Research (CERN)(欧洲核子研究组织);Università di Verona(维罗纳大学);Data Reply s.r.l.(Data Reply有限责任公司);Università di Trento(特伦托大学)
提出开源Python框架QuASK,支持数据预处理、量子核机器学习算法执行及结果可视化,解决了传统量子软件框架需手动集成导致代码冗长易错的问题,并支持投影核、可训练核和结构优化核等先进技术。
2023-10-23 cs.LG quant-ph
Quantum advantage in decentralized control of POMDPs: A control-theoretic view of the Mermin-Peres square
本文研究了多智能体POMDP的分散控制问题,发现智能体间共享的量子纠缠态能比公共随机性带来严格的性能提升,首次在动态决策场景中证明了量子优势。
2025-08-11 cs.IT cs.SY eess.SY
Assessing Quantum Advantage for Gaussian Process Regression
本文通过证明核矩阵条件数、稀疏性和Frobenius范数至少随矩阵规模线性增长,表明现有高斯过程回归量子算法在广泛场景下无法实现指数级加速,并用数值实验验证了理论结论。
2025-07-03 cs.LG quant-ph
Exploiting coherence for quantum thermodynamic advantage
卡诺发动机的量子模拟的引入基于由具有少量相干性的粒子组成的浴,启动了关于利用不同量子资源以增强超过标准可逆极限的热机的研究的活跃路线,重点是包含量子相干性的非热浴。在我们的工作中,我们调查的相干性的碰撞模型的热力学任务的影响,这是由一个系统相互作用,在连续的时间限制,在不同的温度下的两个浴的一系列相干的附属物。我们的研究结果表明,利用一致性作为一种资源,在机器的操作的优点,并允许它:(i)表现出非常规的行为,如外观的混合制冷机,能够同时制冷和发电的工作,和(ii)作为一个引擎或制冷机的功能与效率大于卡诺约束。此外,我们发现了一个有效的上限的热机作为一个引擎的存在下,一个连贯的水库的效率。
2022-12-22 cond-mat.stat-mech quant-ph
Continuous Variable Quantum Advantages and Applications in Quantum Optics
本论文主要研究在连续变量和光学条件下的三个主要问题:量子机器优于经典机器的量子优势来自哪里?如何确保量子机器的正常运行?在实践中使用量子信息可以获得哪些优势?连续变量中的量子优势特别来自于所谓的非高斯量子态的使用。我们引入恒星的形式主义来描述这些状态。然后,我们研究的过渡,从经典的模拟模型,这是通用的量子计算的模型。我们表明,量子计算霸权,量子计算机的显着加速超过经典的同行,可以实现与非高斯状态和高斯测量。量子认证是指试图验证量子机器的正确功能的方法。考虑连续变量下量子态的证明问题,根据对被测态的假设,介绍了几种方案。我们开发了有效的方法来验证一大类多模量子态,包括玻色子采样模型的输出态,使光子量子计算的量子霸权的实验验证。我们给出了量子信息在线性量子光学中实际应用的几个新例子。概括的交换测试,我们突出了区分两个量子态的能力和执行通用的可编程量子测量的能力之间的连接,为此,我们给出了各种实现在线性光学,基于使用单光子或相干态。最后,我们得到,由于线性光学,第一次实现的量子协议弱抛硬币,许多密码学应用的基石。
2021-02-10 math-ph math.MP quant-ph
Exploring quantum mechanical advantage for reservoir computing
该研究探索量子储备池计算的优势,建立了量子储备池的纠缠、相空间维度与线性短期记忆性能的关联,证实高纠缠是解锁指数相空间与更高记忆容量的关键,还量化了相关关系并分析了退相位的影响。
2023-05-11 quant-ph
A Review of the Applications of Quantum Machine Learning in Optical Communication Systems
本文综述了量子及量子启发机器学习算法在光信号处理中的应用,重点讨论其在非线性噪声下纠错与信号恢复方面的潜力及当前技术可行性。
2023-09-25 eess.SP quant-ph
Methods for Accelerating Geospatial Data Processing Using Quantum Computers
量子计算是一种变革性技术,有可能通过加速优化和机器学习过程来增强航天工业的运营。机器学习过程使地理空间数据中的自动图像分类成为可能。新的量子算法为解决这些问题提供了新的方法,并在未来比当前的经典技术具有潜在的优势。Rigetti Computing和其他供应商目前正在开发的通用量子计算机能够执行完全通用的量子算法,在某些情况下,理论上证明了比经典算法更快的速度。本文描述了一种使用通用量子增强卷积神经网络的卫星图像分类方法:量子卷积神经网络。使用改进的方法,我们发现了在这个领域中比以前的量子努力的性能改进,并确定了可能导致最终量子优势的潜在改进。我们使用SAT-4卫星图像数据集对这些网络进行基准测试,以展示机器学习技术在航天工业中的实用性以及量子机器学习可以提供的潜在优势。
2020-04-07 quant-ph
Shadows of quantum machine learning
Institute for Theoretical Physics, University of Innsbruck(因斯布鲁克大学理论物理研究所);Dahlem Center for Complex Quantum Systems, Freie Universität Berlin(柏林自由大学达勒姆复杂量子系统中心);Leiden University(莱顿大学)
本文提出一种仅在训练阶段使用量子资源、部署时转为经典“影子模型”的量子机器学习新范式,并证明其具有通用性、受限但可证明优于纯经典学习器的学习优势。
2024-07-07 cs.AI 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
How Quantum Is the Advantage? A Fair, Calibration- and Noise-Aware Benchmark and Attribution Audit of Quantum Machine Learning for Network Intrusion Detection
Hamdard University(哈姆德大学);SZABIST University(SZABIST大学);Fandaqah(范达卡)
本研究提出公平的量子机器学习网络入侵检测基准与归因审计,发现调优后的经典模型在多数数据集上优于量子模型,仅量子核SVM在两项指标、小型四量子比特模型在特定任务上优于经典基线,贡献不受量子模型胜负影响。
2026-08-20 cs.AI cs.ET cs.LG
Variational Quantum Kernels with Task-Specific Quantum Metric Learning
IBM(国际商业机器公司)
量子核方法,即,具有量子核的核方法作为量子机器学习(QML)的混合量子经典方法提供了明显的优势,包括对噪声中间尺度量子(NISQ)设备的适用性和用于解决所有类型的机器学习问题的用途。核方法依赖于高维(可能是无限维)特征空间中点之间的相似性概念。对于机器学习,相似性的概念假设在特征空间中接近的点在机器学习任务空间中应该是接近的。在本文中,我们讨论了使用变分量子内核与特定任务的量子度量学习来生成最佳量子嵌入(a.k.a.量子特征编码),其特定于机器学习任务。这种特定于任务的最优量子嵌入,隐含地支持特征选择,不仅对量子核方法在提高后者的性能方面有价值,而且它们对基于参数化量子线路(PQC)的非核QML方法作为预训练嵌入和迁移学习也有价值。这进一步证明了量子核方法的量子效用和量子优势(具有经典难以处理的量子嵌入)。
2022-11-26 cs.LG quant-ph
Quest for quantum advantage: Monte Carlo wave-function simulations of the Coherent Ising Machine
Centre for Quantum Science and Technology Theory, Swinburne University of Technology(斯威本科技大学量子科学与技术理论中心)
本文使用蒙特卡罗波函数方法模拟相干伊辛机在强量子机制下的性能,通过初始量子叠加和纠缠降低耗散,实现更快的成功概率提升,并证明量子隧穿效应可避免陷入假极小,展示量子优势潜力。
2026-06-11 math-ph math.MP quant-ph
Sparks of Quantum Advantage and Rapid Retraining in Machine Learning
本文利用绝热量子计算将基于 Bézier 基函数的 KAN 训练建模为 QUBO,实现单次迭代训练和无需旧样本的快速重训练,实验显示较梯度下降优化器最高百倍加速。
2024-08-05 cs.ET cs.LG quant-ph
Exponential Quantum Communication Advantage in Distributed Inference and Learning
提出基于量子网络的分布式计算框架,将数据编码为量子态,证明在推理和训练中可实现指数级通信优势且开销适中,为分布式机器学习奠定基础。
2024-09-26 quant-ph stat.ML
In Search of Quantum Advantage: Estimating the Number of Shots in Quantum Kernel Methods
Jagiellonian University(雅盖隆大学);University of Warsaw(华沙大学);European Space Agency(欧洲空间局);Silesian University of Technology(西里西亚工业大学);KP Labs(KP实验室)
本研究提出一套规则与启发式方法,通过分析扩散与集中效应估计量子核方法所需电路运行次数,以提升核值精度,并验证了其在资源消耗方面的指导意义。
2024-07-22 cs.LG quant-ph
Assessing requirements to scale to practical quantum advantage
虽然量子计算机有望解决一些被认为是经典机器难以解决的科学和商业上有价值的问题,但实现这一承诺将需要大规模的量子机器。在量子系统完全实现之前,了解特定应用的缩放量子堆栈的架构设计选择的影响是一个重要的开放挑战。为此,我们开发了一个量子资源估计框架,抽象堆栈的层,以估计大规模量子应用程序跨这些层所需的资源。使用实现该框架的工具,我们评估了三个规模化的量子应用,发现需要数十万到数百万的物理量子位来实现实际的量子优势。我们确定了三个量子位参数,即大小,速度和可控性,这是至关重要的规模,使这些应用程序的实际。我们工作的一个目标是通过使更广泛的社区能够探索从算法到量子位的整个堆栈的设计选择,来加速实现实用量子优势的进展。
2022-11-14 cs.AR quant-ph
Quantum Machine Learning for Remote Sensing: Exploring potential and challenges
Jagiellonian University in Kraków(克拉科夫雅盖隆大学);Silesian University of Technology(西里西亚理工大学)
本文探索量子机器学习在遥感中的应用,分析其量子优势的普遍看法,并针对核值集中问题展开研究,发现该挑战虽影响性能但未完全否定量子优势。
2023-11-13 cs.LG quant-ph