arXiv:2003.14103v1 [quant-ph] 2020 年 3 月 31 日__

arXiv:2003.14103v1 [quant-ph] 2020 年 3 月 31 日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2003.14103v1 [quant-ph] 2020 年 3 月 31 日

¥ 1.0

热度

机器学习 (ML)，尤其是通过反向传播算法应用于深度神经网络，带来了巨大的技术和社会变革 [1–4]。如今，它已广泛应用于各个领域，从图像分析和自动驾驶汽车，到定制广告的投放和删除 [5– 9]。纯粹的传统 ML 继续快速发展，然而，量子计算的出现有望带来大量强大的新工具和概括。我们现在正在见证大规模量子信息处理器的实验性到来 [10]。这种嘈杂的中型量子器件 (NISQ) [11] 开创了量子信息时代，为理论物理学带来了关键的新挑战和机遇。当量子器件开始常规生产涉及 50 个或更多量子比特的复杂纠缠态时，最紧迫的挑战是如何应对量子数据即将无处不在的情况。对这种状态的表征远远超出了实用的断层扫描范围；相反，通过量子机器学习 (QML)，量子设备本身将成为处理即将到来的量子数据激增的自然工具。QML [12–14] 这一新兴领域通过利用人工神经网络 (ANN) 架构 [1, 2, 4] 的量子类似物来进行量子数据学习，为发现量子学习算法带来了巨大希望。从经典角度来看，ANN 通过对训练数据进行监督和无监督学习，非常适合解决分类问题，人们乐观地认为量子类似物也将取得类似的成功。到目前为止，已经考虑了几种量子架构，包括变分量子电路 [15] 和各种类似神经网络的架构 [16–18]。最近，一种有前途的候选人工量子神经网络架构 (QNN) 被引入 [19]。初步研究表明，这些 QNN 非常适合监督学习 [19] 和无监督学习任务 [20]。了解量子学习设备和方法的最终极限是重中之重，也是量子学习理论 (QLT) [21–26] 的核心目标。过去几年，QLT 领域取得了稳步进展，积累了各种关键成果，特别是表征了量子设备学习以特殊量子态编码的经典数据的极限，以及经典设备学习量子态的极限。

添加pdf代下载 VIP点击下载文件