![arXiv:2402.09524v2 [quant-ph] 2024 年 12 月 10 日](/simg/a/ac497b3be659e4ece169e1e308c9b2b81bcaef78.webp)
机构名称：
¥ 1.0
量子机器学习提供了一种从根本上不同的数据分析方法。然而，许多有趣的数据集对于目前可用的量子计算机来说过于复杂。目前的量子机器学习应用通常通过在将数据传递到量子模型之前降低数据的维数（例如通过自动编码器）来降低这种复杂性。在这里，我们设计了一个经典量子范式，将降维任务与量子分类模型统一为一个架构：引导量子压缩模型。我们举例说明了这种架构如何在具有挑战性的二元分类问题上胜过传统的量子机器学习方法：在 LHC 的质子-质子碰撞中识别希格斯玻色子。此外，当仅使用我们数据集中的运动变量时，引导量子压缩模型与深度学习基准相比表现出更好的性能。
arXiv:2402.09524v2 [quant-ph] 2024 年 12 月 10 日
主要关键词
![arXiv:2402.09524v2 [quant-ph] 2024 年 12 月 10 日PDF文件第1页](/bimg/e/e6d390152fbae14a58b12ceeaf3c179a034faff0.webp)
![arXiv:2402.09524v2 [quant-ph] 2024 年 12 月 10 日PDF文件第2页](/bimg/1/13f2ff58330cfb55bf5055d7bfe200aacaa3b57c.webp)
![arXiv:2402.09524v2 [quant-ph] 2024 年 12 月 10 日PDF文件第3页](/bimg/e/ec0fdb6fa079f38d305d5f7bbc778005cc4c0c78.webp)
![arXiv:2402.09524v2 [quant-ph] 2024 年 12 月 10 日PDF文件第4页](/bimg/d/d56f94d58f0ba2d2e74d7dd9ec11c5e6dd13bbf5.webp)
![arXiv:2402.09524v2 [quant-ph] 2024 年 12 月 10 日PDF文件第5页](/bimg/b/b9633213cc9c7a62dce7b4b0d69bcbb8ac2741cc.webp)
相关文件推荐
![arXiv:2402.15550v2 [quant-ph] 2024 年 10 月 31 日](/simg/e/e4e08a0477b5631f5bdd18386c9debac74563ecc.webp)
![arXiv:2403.03457v2 [quant-ph] 2024 年 12 月 3 日](/simg/4/4b1110fa596557ef652d62c54e5e9adddfd93b11.webp)
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日](/simg/2/2a2d8560fd16ea111afbc2d7643448aea34eda89.webp)
![arXiv:2402.09335v1 [quant-ph] 2024 年 2 月 14 日](/simg/3/370b090d6ca61fecd1617e834aca3bd7ef6da42f.webp)
![arXiv:2402.08985v1 [quant-ph] 2024 年 2 月 14 日](/simg/8/84d2f14ae4f004b8dd25906a36bc6dd5f16372e0.webp)
![arXiv:2212.03796v3 [quant-ph] 2024 年 10 月 4 日](/simg/5/556eb4fe5062250c9ddec40d867b5a857c06018f.webp)
![arXiv:2412.05115v1 [quant-ph] 2024 年 12 月 6 日](/simg/d/d34385a72726c41566258b9d7b5eb2868b816426.webp)
![arXiv:2209.02695v4 [quant-ph] 2024 年 6 月 10 日](/simg/4/4d43cc476c9c1ef6b22e9556f494ab0082418d9b.png)
![arXiv:2401.05090v1 [quant-ph] 2024 年 1 月 10 日](/simg/b/bb412c7473a96ed400dcf7814404fcae0574a9ad.png)
![arXiv:2402.17433v3 [cs.CL] 2024 年 6 月 10 日](/simg/8/8c638926a1412648b697e0e9a174efbdb7fac2fb.png)
![arXiv:2402.16751v2 [cs.AI] 2024 年 10 月 29 日](/simg/3/3355546014d3e52de246ffb8b2789fbe9869acee.png)
![arXiv:2402.11085v3 [quant-ph] 2024 年 8 月 16 日](/simg/4/4fc1cd7c24afee342151dae174183056d4db88d3.png)
![arXiv:2112.05779v1 [quant-ph] 2021 年 12 月 10 日](/simg/1/160e8845971cbcad7aa5421eb308b135134ea48d.webp)
![arXiv:2407.01182v2 [quant-ph] 2024 年 12 月 14 日](/simg/d/d4267757a3a621b6d585ab2bdc0b85c59a89a878.webp)
![arXiv:2404.07115v3 [quant-ph] 2024 年 10 月 15 日](/simg/1/19db740cce0245b08c148ebef75956b87001d07d.webp)
![arXiv:2207.05193v4 [quant-ph] 2024 年 10 月 23 日](/simg/c/cea1aacd8cd0c02e921d0578639fbf9aea71c33f.webp)
![arXiv:2412.15800v1 [quant-ph] 2024 年 12 月 20 日](/simg/6/6aa1457dbabd38ca90a7863ebeb46fbce8984a72.webp)
![arXiv:2412.14918v2 [quant-ph] 2024 年 12 月 20 日](/simg/d/da779fc500fb56ae436b8d12fc790a7e7e3a05af.webp)
![arXiv:2407.17405v3 [quant-ph] 2024 年 10 月 8 日](/simg/4/48778b8f99287d8b2fcda042a71bd4cabf82e375.webp)
![arXiv:2301.07445v4 [quant-ph] 2024 年 12 月 26 日](/simg/b/bdd132f749a6a97661535964b16b7788d56a5a5d.webp)
![arXiv:2412.07564v1 [cs.SE] 2024 年 12 月 10 日](/simg/f/f7fc3a7af8b50f69401c9626e13f0007fc431f9f.webp)
![arXiv:2408.02722v3 [quant-ph] 2024 年 10 月 11 日](/simg/e/edbb3d95bec40e1a2889557da7b0e6b063c29d9a.png)
![arXiv:2402.05138v1 [cs.AI] 2024 年 2 月 6 日](/simg/a/a88ffeefc81f01e0c2bd0166d654268028a7ad0c.png)
![arXiv:2111.13218v2 [quant-ph] 2022 年 12 月 10 日](/simg/9/99955b53a2371ca68409f58952f3b9fba3f036dc.webp)
![arXiv:2311.17298v3 [quant-ph] 2024 年 10 月 24 日](/simg/0/0c619795a499989fd0cacc36dc514008a8d101ff.webp)