机构名称：
¥ 1.0
基于参数化量子电路的量子机器学习算法是近期量子优势的有希望的候选者。虽然这些算法与当前一代量子处理器兼容，但设备噪声限制了它们的性能，例如通过诱导损失景观的指数平坦化。诸如动态解耦和泡利旋转之类的错误抑制方案通过降低硬件级别的噪声来缓解这个问题。这个技术工具箱最近增加了脉冲高效转译，它通过利用硬件原生的交叉共振相互作用来减少电路调度时间。在这项工作中，我们研究了脉冲高效电路对量子机器学习近期算法的影响。我们报告了两个标准实验的结果：使用量子神经网络对合成数据集进行二元分类，以及使用量子核估计进行手写数字识别。在这两种情况下，我们发现脉冲高效转译大大减少了平均电路持续时间，从而显著提高了分类准确率。最后，我们将脉冲高效转译应用于汉密尔顿变分假设，并表明它延迟了噪声引起的荒芜高原的出现。
脉冲高效量子机器学习
主要关键词
相关文件推荐
