机构名称：
¥ 1.0
量子机器学习技术通常被认为是最有希望展示实际量子优势的技术之一。具体而言，如果内核与目标函数高度一致，量子核方法已被证明能够有效地学习某些经典难解函数。在更一般的情况下，随着量子比特数量的增加，量子核的频谱会呈指数“平坦化”，从而阻碍泛化并需要通过超参数控制归纳偏差。我们表明，为提高量子核的泛化能力而提出的通用超参数调整技术会导致内核与经典内核非常接近，从而消除了量子优势的可能性。我们利用多个先前研究的量子特征图以及合成数据和真实数据为这一现象提供了大量数值证据。我们的结果表明，除非开发出新技术来控制量子核的归纳偏差，否则它们不太可能在经典数据上提供量子优势。
劳伦斯伯克利国家实验室
主要关键词
相关文件推荐
