机构名称：
¥ 1.0
尽管量子神经网络（QNN）最近在解决简单的机器学习任务方面显示出令人鼓舞的结果，但二进制模式分类中QNN的行为仍未得到充实。在这项工作中，我们发现QNN在二元模式分类中具有致命的脚跟。为了说明这一点，我们通过介绍和分析嵌入具有完全纠缠的QNN家族的新形式的对称性形式，从而对QNN的性质提供了理论上的见解，我们将其称为否定性。由于否定对称性，QNN无法区分量子二进制信号及其负面信号。我们使用Google的量子计算框架在二进制模式策略任务中经验评估QNN的负对称性。理论和实验结果都表明，否定对称性是QNN的基本特性，经典模型并非共享。我们的发现还暗示否定对称性是实用量子应用中的双刃剑。
模式识别 - 牛津大学研究档案
主要关键词
相关文件推荐
