摘要。贝叶斯网络是随机变量依赖图上联合概率分布的紧凑表示,也是在存在不确定性的情况下进行建模和推理的工具,对于人工智能结合领域知识、捕捉因果关系或从不完整数据集中学习具有重要意义。贝叶斯推理在经典环境中被称为 NP 难问题,但它是一类值得在量子框架中探索的算法。本文探讨了这样的研究方向,并通过在纠缠配置中合理使用效用函数改进了以前的提议。它提出了一种具有经过验证的计算优势的完全量子力学决策过程。作为概念验证,讨论了 Qiskit(IBM Q 机器的基于 Python 的程序开发工具包)中的原型实现。
主要关键词
![arXiv:2010.02088v1 [quant-ph] 2020 年 10 月 5 日PDF文件第1页](/bimg/9/99c836aef1261f0648b1b767267073f23037f9d6.webp)
![arXiv:2010.02088v1 [quant-ph] 2020 年 10 月 5 日PDF文件第2页](/bimg/b/b884d8393b544b05aba25dea1a073b6b1b2d2e2d.webp)
![arXiv:2010.02088v1 [quant-ph] 2020 年 10 月 5 日PDF文件第3页](/bimg/2/2fcd6664ee9dba93a59a27848d8e5a2b43929630.webp)
![arXiv:2010.02088v1 [quant-ph] 2020 年 10 月 5 日PDF文件第4页](/bimg/1/19e5e3e322ca26a39ec14ba767dbdc4e94e0fc7c.webp)
![arXiv:2010.02088v1 [quant-ph] 2020 年 10 月 5 日PDF文件第5页](/bimg/d/d8cb565b7dd9ba9eed53a35d03f37e2e62c868c6.webp)
