新的量子编码方法降低了机器学习中的电路复杂性
研究人员简化了量子数据编码方法，显著提高了量子机器学习的效率和稳健性。文章《新的量子编码方法降低了机器学习中的电路复杂性》首次出现在《科学询问者》上。
来源:Scientific InquirerCSIRO 和墨尔本大学的研究人员最近在量子机器学习方面取得了进展，该领域旨在实现量子优势，超越传统机器学习。他们的工作表明，量子机器学习中用于数据编码的量子电路可以大大简化，而不会影响准确性或稳健性。这项研究于 9 月 12 日发表在科学合作期刊《智能计算》上。
智能计算 智能计算该团队的结果通过 IBM 量子设备的模拟和实验得到验证，结果表明，与传统方法相比，他们的创新编码方法平均将电路深度减少了 100 倍，同时实现了相似的分类准确度。这些发现为量子机器学习在当前量子设备上的实际应用提供了一条令人兴奋的新途径。展望未来，该团队旨在将这些模型扩展到更大、更复杂的数据集，并探索量子态编码和量子机器学习架构设计方面的进一步优化。
高效量子机器学习的主要障碍之一是将经典数据编码为量子态，这是一项计算挑战性任务，需要深度纠缠电路。为了克服这个问题，该团队引入了三种编码方法，使用更浅的电路来近似数据的量子态。这些方法——矩阵乘积状态、遗传和变分算法——在 MNIST 图像数据集和其他两个数据集上保持了分类准确性，同时增强了对对抗性数据操纵的弹性。
视频
每种方法都以独特的方式近似量子态编码经典数据，以实现高效的状态准备：
变分编码 矩阵乘积状态编码 用于状态准备的遗传算法处理中...
成功！您已加入名单。
图片来源：Maxwell T. West 等人。
图片来源：Maxwell T. West 等人。