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
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
Equivalence between exponential concentration in quantum machine learning kernels and barren plateaus in variational algorithms
University of British Columbia(不列颠哥伦比亚大学);Stewart Blusson Quantum Matter Institute(斯图尔特·布拉森量子物质研究所)
本文形式化证明了变分量子算法中的贫瘠高原与量子机器学习核的指数浓度之间的严格等价关系,并利用无贫瘠高原的量子电路构建了有用的量子核。
2026-06-01 quant-ph
Coherent-State Kernels for Composite Quantum Operations
Islamic Azad University(伊斯兰自由大学)
本文利用嵌套积分生成定理,从算符恒等式出发生成精确积分恒等式族,建立算符等式到积分恒等式的映射,导出内积与博赫纳积分交换条件,给出算符函数积分表示,并通过多种算符及非平凡例子进行说明。
2026-10-16 math-ph math.MP quant-ph
Quantum kernels with squeezed-state encoding for machine learning
本文提出将数据编码到连续变量压缩态的量子核方法,利用无限维 Hilbert 空间增强表达能力,并探讨其与支持向量机结合及囚禁离子平台实现。
2021-08-25 quant-ph
The Roles of Kerr nonlinearity in a Bosonic Quantum Neural Network
量子神经网络(QNNs)是一种新兴的人工神经网络(ANN)技术,它能够从ANN系统中获得量子优势,引起了机器学习和量子物理领域的极大关注。与经典的神经网络相比,QNN已被证明能够加快信息处理速度,提高预测或分类效率,并提供通用和实验友好的平台。众所周知,克尔非线性是经典ANN中不可或缺的元素,而在QNN中,克尔非线性的作用尚未完全理解。在这项工作中,我们考虑了玻色子QNN,并研究了经典(模拟XOR门)和量子(生成薛定谔猫态)任务,以证明克尔非线性不仅使非平凡的任务,而且使系统对错误更具鲁棒性。
2022-05-10 quant-ph
Support Vector Machine with a Scalable Quantum Kernel
Fraunhofer Institute for Applied Solid State Physics IAF(弗劳恩霍夫应用固态物理研究所)
针对保真度量子核在系统规模增大时指数级浓度的问题,提出汉明量子核,利用完整测量统计而非单一保真度值,在2至27量子比特系统上优于保真度量子核和经典高斯核。
2026-05-29 quant-ph
Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms
University of Melbourne(墨尔本大学)
本文提出了一种基于遗传算法的量子支持向量机核对齐方法,通过评估监督和无监督核损失函数对编码电路优化的影响,提高了分类准确率,并在金融、医疗和材料科学等领域展示了改进的机器学习性能。
2026-05-21 quant-ph
Comment on 'Supervised quantum machine learning models are kernel methods'
QuantumBasel;University of Basel(巴塞尔大学)
本文针对《监督量子机器学习模型是核方法》的定理1证明及余弦核示例的错误进行修正,指出两处错误巧合抵消得到正确结果,为量子核傅里叶系数计算提供修正推导。
2026-08-27 quant-ph
Kernel Matrix Completion for Offline Quantum-Enhanced Machine Learning
通过量子核增强经典机器学习算法是量子机器学习领域一个快速发展的研究课题。使用内核(包括经典内核和量子内核)的一个关键挑战是ML工作流涉及获取新的观察结果,需要计算新的内核值。在生成新观测的地方和量子计算机之间来回传输数据会产生时间延迟;这种延迟可能会超过首先使用QML算法的时间尺度。在这项工作中,我们表明量子核矩阵可以扩展到使用经典的(弦图为基础的)矩阵完成算法,将新的数据。完美完成所需的最小样本复杂度取决于矩阵秩。我们的经验表明,(a)量子核矩阵可以使用该算法完成时,满足最小的样本复杂性,(b)完成的错误优雅地降低在有限采样噪声的存在下,和(c)量子核矩阵的秩弱依赖于生成内核的量子特征映射的可表达性。此外,在现实世界中,工业相关的数据集,即使没有达到最小的样本复杂度,完成错误也会表现得很好。
2021-12-15 quant-ph
Experimental quantum kernel machine learning with nuclear spins in a solid
我们采用所谓的量子核估计来利用固态核磁共振的复杂量子动力学进行机器学习。我们提出了一个输入映射到一个特征空间的输入依赖的哈密顿演化,和核估计的干扰的演变。简单机械学习任务,即一维回归任务和二维分类任务,使用质子自旋表现出超过10个自旋的相关性。我们还进行了数值模拟,以评估在实际实验中不可避免的噪声的性能。经过训练的模型的性能往往会随着更长的进化时间而增加,或者等效地,对于某些任务,动态中涉及更多的旋转。这项工作使用迄今为止最大的量子系统之一进行了量子机器学习实验。
2019-11-27 quant-ph
Ising selector machine by Kerr parametric oscillators
Université Paris Cité, CNRS, Matériaux et Phénoménes Quantiques(巴黎西岱大学,法国国家科学研究中心,物质与量子现象研究所);Sapienza University of Rome(罗马大学);Centro Ricerche Enrico Fermi (CREF)(恩里科·费米研究中心)
本文提出利用 Kerr 参数振荡器网络实现 Ising 选择机,通过调节频率偏移可控制系统收敛至基态、高能态或目标中间态,展示噪声对能量景观的影响及应用前景。
2026-04-14 physics.comp-ph physics.optics quant-ph
Programmable Coherent Memory Kernels for Quantum Reservoir Computing in Waveguide QED
Quantum Advanced Research Center, QuARC-CSIC(量子先进研究中心);Instituto de Física Fundamental, IFF-CSIC(基础物理研究所);Department of Physics, Shanghai University(上海大学物理系);Instituto de Ciencia de Materiales de Madrid ICMM-CSIC(马德里材料科学研究所)
本文提出波导QED量子储层,通过耦合几何控制相干延迟反馈,实现可工程化的任务相关记忆,并在NARMA预测中验证其有效性。
2026-09-24 quant-ph
Generalized Coherent States, Reproducing Kernels, and Quantum Support Vector Machines
支持向量机(SVM)是一种流行的机器学习分类方法,其通过在变换的希尔伯特空间中构造线性边界来在特征空间中产生非线性决策边界。众所周知,这些算法在经典计算机上执行时,在数据点和维度方面都不能很好地随特征空间的大小缩放。使用非线性核的经典算法的最显著的限制之一是,必须针对所有对输入特征向量来评估核函数,所述输入特征向量本身可能具有相当高的维度。这可能导致在训练期间和在新数据点的预测过程期间计算过多的时间。在这里,我们建议使用正则和广义相干态来快速计算特定的非线性核函数。关键的环节将是再生核希尔伯特空间(RKHS)属性的支持向量机,自然产生于规范和广义相干态。具体地,我们讨论了在基于正则相干态的量子光学系统上通过正算子值测度(POVM)快速计算径向核。类似的过程也可能导致在经典算法中通常不使用的核的快速计算,例如从广义相干态产生的核。
2017-02-02 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 evolution kernel : Machine learning on graphs with programmable arrays of qubits
可靠的量子处理单元(QPU)的快速发展为机器学习开辟了新的计算机会。在这里,我们介绍了一种基于量子系统的时间演化来测量图结构数据之间的相似性的方法。通过将输入图的拓扑结构编码在系统的哈密尔顿算子中,演化产生保留数据的关键特征的测量样本。我们研究分析的过程中,并说明其多功能性,提供标准的经典方法的链接。然后,我们数值表明,该计划表现良好的标准图内核相比,典型的基准数据集。最后,我们研究了一个现实的中性原子量子处理器上的具体实现的可能性。
2021-07-07 quant-ph
Quantum Computation Based on Quantum Adiabatic Bifurcations of Kerr-Nonlinear Parametric Oscillators
最近,作者和其他人提出了具有克尔非线性参量振荡器(KPO)的量子计算机。使用KPO的量子计算是基于KPO的量子绝热分叉,其导致相干态的量子叠加,例如薛定谔猫态。因此,这些量子计算机被称为“量子分叉机(QBM)”。“QbM可用于量子绝热优化和通用量子计算。具有约瑟夫森结的超导电路,特别是约瑟夫森参量振荡器(JPO),是实现KPO的一个很有前途的物理器件。因此,KPO和QBM不仅提供了实现量子比特(qubit)和量子计算机的新途径,而且还提供了JPO的新应用。在这里,我们从理论上解释KPO和QBM的物理,比较它们与耗散对应物。它们的物理实现与超导电路也被提出。
2018-08-31 quant-ph
Deterministic and random features for large-scale quantum kernel machine
量子机器学习(QML)是量子计算机应用的先锋。特别是量子神经网络(QNN)作为近期量子计算机和容错量子计算机的方法正在积极研究中。最近的研究表明,使用QNN的监督机器学习可以被解释为量子核方法(QKM),这表明增强QKM的实用性是构建QML近期应用的关键。然而,QKM也有两个严重的问题。一个是在原始的大希尔伯特空间中定义的(基于内积的)量子核的QKM没有推广;也就是说,该模型无法找到看不见的数据的模式。另一个是,经典的计算成本的QKM增加至少与数据的数量成二次方,因此,QKM是不可伸缩的数据大小。本文的目的是提供免费的算法,从这两个问题。也就是说,对于一类具有泛化能力的量子内核,我们表明,这些量子内核的QKM可以通过使用我们提出的确定性和随机特性进行扩展。我们的数值实验,使用数据集包括$O(1,000) \sim O(10,000)$训练数据,支持我们的方法的有效性。
2022-09-05 quant-ph
Dispersive qubit readout with machine learning
开放量子系统可以经历耗散相变,并且它们的临界行为可以在传感应用中被利用。例如,它可以用于增强超导量子比特读出测量的保真度,这是创建可靠量子硬件的核心问题。最近引入的测量协议,称为"临界参数量子传感“,使用参数(双光子驱动)克尔谐振器的驱动耗散相变,以达到99.9\%的单量子位检测保真度[arXiv:2107.04503]。在这项工作中,我们通过使用基于机器学习的分类算法来改进以前的协议,以\textit{efficiently and rapidly}从这个关键的动态中提取信息,到目前为止,这一直被忽视,只关注静态属性。这些分类算法被施加到弱量子测量(零差检测)的电路QED实现耦合到超导量子比特的克尔谐振器的时间序列数据。这展示了机器学习方法如何在关键的开放量子系统中实现更快、更可靠的测量协议。
2021-12-10 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
Experimental kernel-based quantum machine learning in finite feature space
我们实现了一个全光学设置,展示了基于内核的量子机器学习的二维分类问题。在这种混合方法中,内核评估外包给适当设计的量子态编码训练数据的投影测量,而模型训练在经典计算机上处理。我们的双光子方案将数据点编码在离散的八维特征希尔伯特空间中。为了最大化可部署内核的应用范围,我们优化了特征映射,使其具有分离点的能力,即,它们的分辨率,在有限的,固定的希尔伯特空间维数的约束下。通过实现这些内核,我们的设置为特征空间中的标准非线性监督分类任务提供了可行的决策边界。我们使用专门的多光子量子光学电路演示了这种基于内核的量子机器学习。所部署的内核在所需的量子位数方面表现出比文献中描述的内核的直接推广更好的指数缩放。
2019-06-10 quant-ph stat.ML
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
Importance of Kernel Bandwidth in Quantum Machine Learning
JPMorgan Chase(摩根大通);Argonne National Laboratory(阿贡国家实验室)
量子核方法被认为是将量子计算机应用于机器学习问题的一个有前途的途径。鉴于超参数在决定经典机器学习方法的性能方面发挥的核心作用,识别控制量子机器学习模型的归纳偏差的超参数预计至关重要。在这项工作中,我们介绍了超参数控制的量子内核的带宽,并表明它控制的表达所产生的模型。我们使用多个量子内核和经典数据集进行了广泛的数值实验,以显示模型行为从欠拟合(带宽太大)到过拟合(带宽太小)的一致变化,以及介于两者之间的最佳泛化。我们绘制了经典和量子内核的带宽之间的连接,并在这两种情况下显示类似的行为。此外,我们表明,优化带宽可以帮助减轻核值随量子比特计数的指数衰减,这是最近观察到量子核方法的性能随量子比特计数下降的原因。我们重现了这些负面结果,并表明如果内核带宽得到优化,性能反而会随着量子比特数的增加而提高,并与最好的经典方法竞争。
2022-09-28 cs.LG quant-ph
Kernel-based quantum regressor models learn non-Markovianity
量子机器学习是一个不断发展的研究领域,旨在通过量子计算机辅助执行机器学习任务。基于核的量子机器学习模型是典型的示例,其中核涉及量子态,并且从这些状态之间的重叠计算Gram矩阵。有了内核,一个常规的机器学习模型被用于学习过程。本文研究了量子支持向量机和量子核岭模型对量子系统非马尔可夫性程度的预测。我们执行振幅阻尼和相位阻尼通道的数字量子模拟以创建我们的量子数据集。我们详细阐述了不同的核函数来映射数据和核电路来计算量子态之间的重叠。我们表明,我们的模型提供了准确的预测,与完全经典的模型。
2022-09-23 physics.data-an quant-ph
Construction of 'Support Vector' Machine Feature Spaces via Deformed Weyl-Heisenberg Algebra
Queensland University of Technology(昆士兰科技大学)
本文使用基于变形Weyl-Heisenberg代数的变形相干态,通过一个公共参数将著名的SU(2),Weyl-Heisenberg和SU(1,1)群统一起来。我们表明,变形相干态提供了一个元核函数的理论基础,这是一个内核,反过来定义核函数。核函数推动了机器学习领域的发展,本文提出的元核函数为核函数的定义和探索开辟了新的理论途径。元核函数应用相关联的旋转表面作为用非线性相干态识别的特征空间。一项实证研究比较了变形SU(2)和SU(1,1)核,这些核从元核得到,表现出与径向基核相似的性能,并提供了新的见解(基于变形Weyl-Heisenberg代数)。
2020-06-02 cs.LG quant-ph
Quantum Multiple Kernel Learning
QB Information Technologies (1QBit)(1QB信息技术公司(1QBit));University of Calgary(卡尔加里大学);Simon Fraser University(西蒙弗雷泽大学)
核方法在机器学习应用中起着重要的作用,因为它们的概念简单,在许多机器学习任务上性能优越。机器学习模型的表达性,指的是模型近似复杂函数的能力,对它在这些任务中的性能有着显著的影响。一种增强内核机器的表达能力的方法是组合多个单独的内核以获得更具表达力的组合内核。这种方法被称为多核学习(MKL)。在这项工作中,我们提出了一种MKL方法,我们称之为量子MKL,它结合了多个量子内核。我们的方法利用确定性量子计算与一个量子位(DQC 1)的权力,估计一组经典的棘手的个人量子内核的组合内核。组合核估计是在无需显式计算每个单独核的情况下实现的,同时仍然允许调整各个核以实现更好的表达性。我们对两个二进制分类问题的模拟-一个在合成数据集上进行,另一个在德国信用数据集上进行-证明了量子MKL方法优于单量子内核机器。
2020-11-19 cs.LG quant-ph
Non-Classical Kernels in Continuous Variable Systems
核方法在经典机器学习中无处不在,最近它们与量子力学的形式相似性已经建立。为了掌握量子机器学习的潜在优势,有必要了解非经典核函数和经典核函数之间的区别。本文建立在最近提出的相空间非经典证人[Bohmann,Agudelo,物理。124,133601(2020)]来推导连续变量系统中内核量子性的证明。我们讨论了内核的非经典性在特征空间中的数据分布的作用和不完善的状态准备的影响。此外,我们表明,非经典核导致参数估计的量子优势。我们的工作突出了相空间关联函数在理解经典机器学习与量子机器学习之间的区别方面的作用。
2021-09-09 physics.optics quant-ph
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
Quantum tangent kernel
量子核方法是量子机器学习的关键方法之一,具有不需要优化、理论简单等优点。凭借这些特性,到目前为止,已经开发了几个实验演示和讨论的潜在优势。然而,与经典机器学习的情况一样,并非所有量子机器学习模型都可以被视为内核方法。在这项工作中,我们探索了一个量子机器学习模型与深度参数化的量子线路,旨在超越传统的量子核方法。在这种情况下,表示能力和性能有望得到提高,而训练过程可能是一个瓶颈,因为贫瘠的高原问题。然而,我们发现,一个足够深的量子线路的参数在训练过程中不会从其初始值移动太多,允许相对于参数的一阶扩展。这种行为类似于经典文献中的神经正切核,而这种深度变分量子机器学习可以用另一种涌现核--量子正切核来描述。数值模拟表明,所提出的量子正切核优于传统的量子核方法的ansatz生成的数据集。这项工作提供了一个超越传统量子核方法的新方向,并利用深度参数化的量子线路探索量子机器学习的潜在力量。
2022-11-24 quant-ph stat.ML
Noisy Quantum Kernel Machines
在嘈杂的中尺度量子时代,一个重要的目标是可实现算法的概念,这些算法利用量子系统的丰富动力学和底层希尔伯特空间的高维性来执行任务,同时从防噪声的物理系统中分离出来。一种新兴的量子学习机器是基于量子内核的范例。在这里,我们研究耗散和退相干如何影响它们的性能。我们解决这个问题,通过调查的表达能力和泛化能力的内核理论的框架内,这些模型。我们介绍和研究的有效内核秩,量化的数量的独立功能的噪声量子内核是能够从输入数据中提取的品质因数。此外,我们推导出一个上限的泛化误差的模型,涉及的平均纯度的编码状态。因此,我们表明,退相干和耗散可以看作是一个隐式正则化的量子核机器。作为一个说明性的例子,我们报告了基于驱动耗散量子自旋链的机器的精确有限尺寸模拟来执行分类任务,其中输入数据被编码到驱动场中,并且量子物理系统是固定的。我们确定如何噪声内核机器的性能规模与节点(链网站)的数量作为一个函数的去相干,并检查不完善的测量的影响。
2022-04-26 cond-mat.other 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
Supervised quantum machine learning models are kernel methods
随着近期量子设备的问世和容错量子计算机的竞争如火如荼,研究人员开始对这样一个问题感兴趣:如果我们用量子线路取代监督机器学习模型,会发生什么。虽然这种“量子模型”有时被称为“量子神经网络”,但人们一再注意到,它们的数学结构实际上与核方法的关系更为密切:它们分析高维希尔伯特空间中的数据,我们只能通过测量揭示的内积来访问这些数据。这份技术手稿总结并扩展了系统地将监督量子模型作为核心方法的想法。有了这一点,许多近期和容错的量子模型可以取代一般的支持向量机,其内核计算数据编码量子态之间的距离。基于核的训练可以保证找到比变分电路训练更好或同样好的量子模型。总的来说,量子机器学习的核心观点告诉我们,数据编码成量子态的方式是可能将量子模型与经典机器学习模型区分开来的主要因素。
2021-04-17 quant-ph stat.ML
Distributed and Secure Kernel-Based Quantum Machine Learning
University of Tübingen(图宾根大学);Institute for Bioinformatics and Medical Informatics (IBMI)(生物医学信息学研究所)
针对分布式数据下核方法的安全性问题,提出利用量子特征映射和量子隐形传态,安全计算多项式、RBF和拉普拉斯核,并在Qiskit模拟器上验证。
2025-04-06 cs.LG quant-ph
Application of Quantum Machine Learning using the Quantum Kernel Algorithm on High Energy Physics Analysis at the LHC
量子机器学习可能通过提供计算速度而成为经典机器学习在高能物理应用中的有价值的替代方案。在这项研究中,我们采用支持向量机与量子核估计(QSVM-Kernel方法)最近的LHC旗舰物理分析:$t\bar{t}H$(希格斯玻色子生产与顶夸克对)。在我们的量子模拟研究中,使用了多达20个量子比特和多达50000个事件,QSVM-Kernel方法在Google Tensorflow Quantum、IBM Quantum和Amazon Braket三个不同平台上的表现与经典方法一样好。此外,使用15个量子比特和100个事件,QSVM核方法在IBM超导量子硬件上的应用接近无噪声量子模拟器的性能。我们的研究证实了QSVM-Kernel方法可以利用量子希尔伯特空间的高维性来代替经典的特征空间。
2021-09-09 hep-ex quant-ph
Position: Quantum Kernel Machines Should Move Beyond Scalar-Valued Kernels to Realize Their Potential
Aix-Marseille University, CNRS, LIS, Marseille, France(艾克斯-马赛大学,法国国家科学研究中心,LIS实验室,马赛,法国);Aix-Marseille University, CNRS, I2M, Marseille, France(艾克斯-马赛大学,法国国家科学研究中心,I2M实验室,马赛,法国);NTT, Inc., Tokyo, Japan(日本NTT公司,东京)
本文主张量子核机器应转向算子值核等更富表达力的框架,以利用纠缠和非交换结构处理复杂结构化预测问题,并通过初步概念验证展示其优势。
2026-05-28 cs.LG quant-ph stat.ML
Parallel hybrid quantum-classical machine learning for kernelized time-series classification
本研究提出时间序列哈密顿核(TSHK)与混合量子-经典-凸神经网络(QCC-net),通过可微凸优化进行多核加权,结合SVM实现时间序列分类,并在127量子比特超导量子处理器上验证了量子多编程的高效并行部署。
2024-02-17 physics.comp-ph quant-ph
The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning
University of Verona(维罗纳大学);European Organization for Nuclear Research (CERN)(欧洲核子研究组织(CERN));University of Gdansk(格但斯克大学);Middlesex University(密德萨斯大学)
本文提出量子路径核,推广量子神经正切核,利用参数轨迹表征层次化特征学习,以解决深度量子机器学习中的非线性挑战,并在高斯异或混合分类变体上验证其有效性。
2022-12-22 cs.LG quant-ph
Detecting Clouds in Multispectral Satellite Images Using Quantum-Kernel Support Vector Machines
Institute of Theoretical Physics, Jagiellonian University(雅盖隆大学理论物理研究所);KP Labs(KP实验室);European Space Agency(欧洲空间局);Silesian University of Technology(西里西亚工业大学)
支持向量机(SVM)是一种成熟的分类器,可以有效地应用于一系列分类任务中。在这项工作中,我们考虑扩展经典的支持向量机与量子内核,并将其应用到卫星数据分析。提出了一种基于量子核的支持向量机(混合支持向量机)的设计与实现方法。在这里,像素使用参数化量子特征映射(与量子内核相关)族映射到希尔伯特空间。优化参数以最大化核目标对准。量子内核的选择使得它们能够分析许多相关属性,同时能够在现实生活中的大规模数据集上用经典计算机模拟它们。具体而言,我们的方法的云检测的多光谱卫星图像,这是在地面和车载卫星图像分析处理链的关键步骤之一的问题。在基准Landsat-8多光谱数据集进行的实验表明,模拟的混合SVM成功地分类卫星图像的准确性与经典的SVM与RBF核大型数据集。有趣的是,对于大型数据集,对于简单的量子内核也观察到了高精度,缺乏量子纠缠。
2023-02-16 cs.CV quant-ph
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
Operator-Valued Kernels, Machine Learning, and Dynamical Systems
本文在核优化背景下,针对一般正算子值核证明了产生新分解与实现的结果,并探讨了其对 Hilbert 空间值高斯过程及非交换概率论的应用,包括提出新的非交换 Radon--Nikodym 定理。
2024-10-11 math-ph math.FA math.MP
Machine Learning Kernel Method from a Quantum Generative Model
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences(波兰科学院理论与应用信息学研究所)
最近,已经提出了将噪声中间尺度量子(NISQ)设备用于机器学习任务。由于各种限制,命题往往表现不佳。然而,量子设备应该在采样任务中表现良好。因此,我们回顾了基于采样的机器学习方法的理论,并提出了一个基于量子采样的分类器。也就是说,我们使用随机特征映射方法。提出了一种基于参数化旋转分布随机量子线路的量子采样方法。我们获得了简单易用的方法,直观的超参数,执行至少同样好的顶级开箱即用的经典方法。简而言之,我们得到了一个有竞争力的量子分类器,其关键组成部分是量子采样-这是量子霸权的一个有前途的任务。
2019-07-11 cs.LG quant-ph
Enhancing Quantum Support Vector Machines through Variational Kernel Training
Hassan II University of Casablanca(哈桑二世卡萨布兰卡大学);Zaiku Group Ltd(Zaiku集团有限公司);University of the Witwatersrand(威特沃特斯兰德大学);Indian Institute of Science Education and Research (IISER)(印度科学教育与研究所);University Mohammed V-Agdal(穆罕默德五世-阿格达尔大学)
针对现有两类量子支持向量机的优势融合问题,提出结合量子核与量子变分算法的QVK-SVM模型,经Iris数据集实验验证其在多项指标上更优,为量子机器学习提供新工具。
2023-05-11 cs.LG quant-ph
Symmetric and antisymmetric kernels for machine learning problems in quantum physics and chemistry
我们通过对称化和反对称化传统核函数得到了对称和反对称核函数,并分析了它们的性质。特别是,我们计算得到的多项式内核的特征空间维度,证明了对称和反对称高斯内核诱导的再生核希尔伯特空间在对称和反对称函数的空间中是稠密的,并提出了反对称高斯内核的斯莱特行列式表示,即使状态空间是高维的,也可以进行有效的评估。此外,我们表明,通过利用对称或反对称的训练数据集的大小可以显着减少。结果说明了指导性的例子和简单的量子物理和化学应用。
2021-06-26 math-ph math.MP physics.chem-ph
Classification of Financial Data Using Quantum Support Vector Machine
研究量子核在金融数据(如达卡证券交易所综合指数数据集)上的适用性,在经验量子优势框架内,将量子核与经典RBF核支持向量机基线对比,提出最佳核并关联相关度量,还估计了大规模研究所需资源。
2026-07-08 cs.LG q-fin.ST quant-ph