arXiv:2301.02601v2 [quant-ph] 2023 年 4 月 26 日__

arXiv:2301.02601v2 [quant-ph] 2023 年 4 月 26 日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2301.02601v2 [quant-ph] 2023 年 4 月 26 日

¥ 1.0

热度

摘要：将量子计算等新计算范式应用于机器学习领域最近引起了人们的关注。然而，由于高维现实世界应用尚无法使用纯量子硬件来解决，因此提出了使用经典和量子机器学习范式的混合方法。例如，迁移学习方法已被证明可成功应用于混合图像分类任务。尽管如此，仍然需要探索有益的电路架构。因此，追踪所选电路架构和参数化的影响对于开发有益的混合方法至关重要。然而，当前的方法包括同时训练两个部分的过程，因此不允许严格区分经典和量子影响。因此，这些架构可能会产生具有卓越预测精度的模型，同时采用尽可能少的量子影响。为了解决这个问题，我们提出了顺序量子增强训练 (SEQUENT)，这是一种改进的架构和训练过程，用于将量子计算方法可追溯地应用于混合机器学习。此外，我们还提供了当前方法的缺点的正式证据和初步实验结果，作为 SEQUENT 适用性的概念证明。

添加pdf代下载 VIP点击下载文件