古典机器学习的最新进展表明,用编码问题对称性的感应偏见创建模型可以大大提高性能。这些思想的进口,结合了量子理论和对称性的联系现有的丰富作品,这引起了几何量子机学习(GQML)的领域。在其经典对应物的成功之后,可以合理地期望GQML将在开发能够获得计算优势的问题的特定问题和量子意识模型中发挥关键作用。尽管GQML的主要思想的简单性 - 创建尊重数据对称性的体系结构,但其实际实现需要大量的小组表示理论知识。我们提出了量子学习光学的表示理论工具的简介,这是由涉及离散和连续群体的关键示例驱动的。这些示例是通过“通过“在小组代表”的行动下的标签不变性捕获的,通过有限而紧凑的谎言组代表理论的简短(但严格)的巡回演出,重新审查诸如Haar集成和扭动的层次,以及一些成功的策略,以示构成了一些成功的策略,从而概述了GQML对称性的正式捕获。
主要关键词
![arxiv:2210.07980v2 [Quant-ph] 2023年2月7日PDF文件第1页](/bimg/6/6af6c503537e5f8c31507fb634e3556356c0dde7.webp)
![arxiv:2210.07980v2 [Quant-ph] 2023年2月7日PDF文件第2页](/bimg/7/75521b41e6b5ae7114cb5252d494e787d96e9e7e.webp)
![arxiv:2210.07980v2 [Quant-ph] 2023年2月7日PDF文件第3页](/bimg/8/8ab7fc4a97717ee31309967628bc0170146cdcd5.webp)
![arxiv:2210.07980v2 [Quant-ph] 2023年2月7日PDF文件第4页](/bimg/9/9106f7453cc1cdf87a93a8380759ebf95bc4abdf.webp)
![arxiv:2210.07980v2 [Quant-ph] 2023年2月7日PDF文件第5页](/bimg/d/d1d2c8b5bdcdf5ee7791d97a19e961cce0898771.webp)
