详细内容或原文请订阅后点击阅览
新算法解锁量子机学习的力量
一项新的研究针对特征选择，这是机器学习的关键步骤，该算法确定输入数据的哪些部分与做出准确的预测最相关。新算法解锁了量子机器学习的力量，首先出现在高级科学新闻上。
来源:Advanced Science News一项新的研究针对特征选择，这是机器学习的关键步骤，该算法确定输入数据的哪些部分与做出准确的预测最相关。
研究人员开发了一种算法，该算法修改了用于量子计算机上的经典机器学习技术。他们的方法可以对量子数据进行培训，而不是编码为0和1序列的常规数据。该团队在简化的任务上测试了他们的方法，发现它的性能是按预期的，为量子增强机器学习的重大进步铺平了道路。
“ Quantum机器学习是一个利用量子计算的力量来增强机器学习技术并提高计算效率的领域，”该研究的作者之一Yudai Suzuki在一封电子邮件中说。 “通过利用量子力学特性，例如纠缠，量子机器学习表现出了超过常规机器学习模型的潜力。”
量子计算符合机器学习
机器学习是一种强大的工具，可让计算机分析输入数据，识别模式并在没有明确编程的情况下进行预测。它在许多领域中发现了从面部识别和自然语言处理到药物发现和材料科学的应用。
传统的机器学习算法通过识别数据中的相关功能，从而通过反复的训练周期逐渐提高准确性来起作用。尽管这些技术彻底改变了计算，但它们迄今已局限于古典计算机，这些计算机使用代表0或1的位进行处理信息。
此外，量子计算机可以直接与量子状态合作 - 高度抽象的数学表示，其中包含有关量子系统的完整信息。该功能对于诸如模拟量子现象之类的任务特别有用，其中编码数据作为量子状态提供了一种更自然和有效的方法。