机构名称：
¥ 25.0
实用量子计算机的潜在出现引导了对其潜在应用的研究，特别是在人工智能领域。受深度神经网络在经典机器学习中成功的启发，人们普遍希望这种成功将转化为所谓的量子变分算法或受其经典算法启发的量子神经网络。当代深度学习算法主要使用一系列启发式方法开发，这些启发式方法通常缺乏严格的证明来证明其有效性。由于这些算法的不透明性，对其性能提供明确的保证仍然是一项艰巨的挑战。虽然这种复杂性延伸到深度学习的量子类似物，但越来越多的文献已经确定了一套理论工具，以更好地理解经典机器学习模型在现实世界任务中如此有效的原因。我们使用这些工具来研究这些量子类似物，以部分解决何时以及在什么条件下我们可以预期成功的问题。我们主要通过统计学习理论、量子力学、随机矩阵理论和群论中的工具来研究量子机器学习算法的可学习性。我们的研究结果表明，必须仔细考虑量子机器学习算法的设计，才能取得合理的成功。事实上，我们的一些结果表明，量子机器学习中的随机或非结构化方法容易面临各种挑战，包括与可训练性相关的问题或与最佳经典算法相比缺乏显著优势的问题。在整篇论文中，我们提供了几个例子，说明如何将结构引入这些算法中，以部分解决这些问题。此外，我们还探讨了量子计算如何为经典机器学习提供信息和增强的反向问题。我们研究了将酉矩阵合并到经典神经网络中，从而为这些酉神经网络提供更高效的设计。
量子计算中的人工智能前景
主要关键词
相关文件推荐
