机构名称：
¥ 1.0
引言：在过去的几十年里，机器学习从针对简单分类任务的（无）监督学习算法 [1-3] 发展到用于下围棋 [6] 和《星际争霸 II》[7] 的深度学习算法 [4,5]。通过使用标记数据进行调整，监督学习可以得到训练有素的分类或预测模型。然而，现实世界中的大多数数据都是未标记的，因此标记成本在化学/生物实验、工业破坏性测试等方面至关重要 [8,9]。与此同时，机器学习协议已经展示了其完成量子任务和研究量子系统特性的能力 [10-15]。这些协议已经应用于与量子信息检索相关的量子计量领域，利用强化学习 (RL) [ 16 ] 来控制测量过程的某些方面 [ 17 , 18 ]。我们还可以在科学文献 [ 19 ] 中找到用于测量控制的 RL 的量子版本 [ 20 , 21 ]。量子信息检索的关键问题是设计一个最优计划，使测量成本最小化，同时在没有明确定义奖励的情况下提取相关信息用于进一步的任务。主动学习 (AL) 基于这样一个假设：在一小组标记样本上训练的模型的表现可以与在所有样本都已标记的数据集中训练的模型一样好 [ 22 , 23 ]。因此，该框架非常适合解决上述关键信息问题的必要要求。简而言之，AL 考虑了标记成本，即测量造成的保真度损失。它分析最具信息量的模式（量子态），以提出保证最大知识增益的最少数量的标记（测量）。最近有研究建议将 AL 应用于量子信息 [ 24 ]，采用 AL 的定义如下
利用主动学习检索量子信息
主要关键词
相关文件推荐
