机构名称：
¥ 2.0
抽象量化学习算法的输出与目标的目标是机器学习的重要任务。然而，在量子设置中，常用距离指标的损失景观通常会产生不良结果，例如局部最小值差和指数衰减的梯度。为了克服这些障碍，我们在这里考虑最近提出的量子地球移动器（EM）或Wasserstein-1距离是经典EM距离的量子类似物。我们表明，量子EM距离具有独特的特性，在其他常用的量子距离指标中未发现，这使量子学习更加稳定和有效。我们提出了一个量子剂量生成对抗网络（QWGAN），该网络利用量子EM距离，并提供了对量子数据进行学习的有效手段。我们提供了Qwgan能够学习一组量子数据的示例，仅资源在量子数中多项式。
针对幽门螺杆菌的基本转录因子HP1043：药物重新定位研究用量子地球移动的距离学习量子数据
主要关键词
相关文件推荐
