机构名称：
¥ 1.0
量子数据的分类对于量子学习和近期量子技术至关重要。在本文中，我们提出了一个用于监督量子学习的新的混合量子古典框架，我们称之为变分阴影量子学习（VSQL）。我们在特定的方法中利用了量子数据的经典阴影，这些阴影可以根据某些物理可观察到的量子数据的侧面信息来表达量子数据。特别是，我们首先使用各种阴影量子电路以卷积方式提取classial特征，然后利用完全连接的神经网络来完成分类任务。我们表明，这种方法可以大大减少参数的数量，从而更好地促进量子电路训练。同时，由于在这样的阴影电路中使用了较少的量子门，因此噪音将更少。更重要的是，我们证明了贫瘠的高原问题，这是量子机器学习中一个显着的消失问题，可以在VSQL中避免。最后，我们通过数值实验对量子态的分类和识别多标记的手写数字的识别来证明VSQL在量子分类中的效率。尤其是，在手写数字识别的二进制案例中，我们的VSQL AP-在测试准确性中优于现有的变异量子分类器，并且值得注意的是，较少的参数所需的参数。
分类的变分阴影量子学习
主要关键词
相关文件推荐
