机构名称：
¥ 2.0
摘要。在本文中，我们讨论了如何在量子系统中表示经典数据分布的问题。所提出的方法是学习量子汉密尔顿量，使其基态近似于给定的经典分布。我们回顾了关于量子玻尔兹曼机 (QBM) [1, 2] 的先前工作，以及如何使用它从量子统计数据中推断量子汉密尔顿量。然后，我们展示了所提出的量子学习形式如何应用于纯经典数据分析。将数据表示为秩一密度矩阵除了经典统计数据外，还引入了经典数据的量子统计数据。我们表明，量子学习产生的结果比经典最大似然方法准确得多，无论是对于无监督学习还是分类。数据密度矩阵和 QBM 解显示纠缠，由量子互信息 I 量化。数据中的经典互信息 I c ≤ I/ 2 = C ，通过选择合适的正交测量基获得 C 最大经典相关性。我们认为剩余的互信息 Q = I/ 2 是通过非正交测量获得的，这可能违反贝尔不等式。过剩的互信息 I − I c 可能用于提高机器学习或其他统计方法的量子实现的性能。
从量子或经典数据学习量子模型
主要关键词
相关文件推荐
