Loading...
机构名称:
¥ 1.0

引言:量子机器学习 (QML) [ 1 ] 使用参数化量子电路 [ 2 ] 作为统计模型,近年来引起了广泛关注,并被应用于自然科学 [ 3 – 8 ] 或生成建模 [ 9 – 13 ]。即使 QML 模型受益于高表达力 [ 14 ] 并在某些特定情况下表现出优于经典模型 [ 15, 16 ],但在深度神经网络时代,量子计算机 [ 17 ] 能获得什么样的优势仍不清楚。另一方面,量子数据可能是应用 QML 的自然范例,量子优势已得到证实 [ 18 ]。人们希望可以通过量子传感器 [ 19 ] 收集量子数据,并最终将其直接连接到量子计算机。在本文中,我们通过在量子设备上直接构建量子数据来模拟处理量子数据的可能性。我们使用变分基态求解器来获得真实基态的近似值,以模拟嘈杂的真实世界数据。具体来说,本文讨论如何使用监督学习方法计算哈密顿量 H 的基态相图。即使已经在二元情况下探索了类似的问题 [ 20 , 21 ],具有多个类别 [ 22 ] 并在超导平台上计算 [ 23 ],但所有这些方法都受到构造限制,即瓶颈。事实上,由于训练需要标签,并且它们是通过分析或数值计算的,这些技术只能加快计算速度,而不能超出其验证范围。另外,异常检测(AD)是一种无监督学习技术,已被提出[24,25]作为绕过这一瓶颈的方法,通过查找数据集内的结构。然而,AD只能获得定性的、可能不稳定的结果,并且

arXiv:2208.08748v2 [quant-ph] 2023 年 1 月 24 日

arXiv:2208.08748v2 [quant-ph] 2023 年 1 月 24 日PDF文件第1页

arXiv:2208.08748v2 [quant-ph] 2023 年 1 月 24 日PDF文件第2页

arXiv:2208.08748v2 [quant-ph] 2023 年 1 月 24 日PDF文件第3页

arXiv:2208.08748v2 [quant-ph] 2023 年 1 月 24 日PDF文件第4页

arXiv:2208.08748v2 [quant-ph] 2023 年 1 月 24 日PDF文件第5页

相关文件推荐

2024 年
¥24.0