在过去的几年中,提出了几种量子机器学习算法,这些算法有望比经典算法实现量子加速。这些学习算法中的大多数要么假设量子访问数据——因此,如果不做出这些强有力的假设,量子加速是否仍然存在尚不清楚,要么本质上是启发式的,没有可证明的优势优于经典算法。在本文中,我们使用一种通用量子学习算法建立了一种严格的量子加速监督分类方法,该算法只需要经典访问数据。我们的量子分类器是一种传统的支持向量机,它使用容错量子计算机来估计核函数。数据样本被映射到量子特征空间,核条目可以估计为量子电路的跃迁幅度。我们构建了一个数据集系列,并表明,假设离散对数问题具有普遍的难度,没有一个经典学习器能够比随机猜测更好地对数据进行逆多项式分类。同时,量子分类器实现了高精度,并且对于由有限采样统计引起的内核条目中的附加错误具有很强的鲁棒性。
主要关键词
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日PDF文件第1页](/bimg/b/bb2101e05c51710467156130260241b4d8165232.webp)
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日PDF文件第2页](/bimg/6/67ef391497af23748b7340d691ac805e1b722bd6.webp)
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日PDF文件第3页](/bimg/7/709539899e57428d3a2710a497dbb7203fa1a83c.webp)
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日PDF文件第4页](/bimg/1/126957ccaa324f012c9af6b29f362236d997fb65.webp)
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日PDF文件第5页](/bimg/c/c9005f41d2b012f3ed61f796ea62df69e21ef1bb.webp)
