XiaoMi-AI文件搜索系统
World File Search SystemQuASK
带内核的量子优势探索者 (QuASK)
摘要 利用量子信息的特性来造福机器学习模型可能是量子计算领域最活跃的研究领域。这种兴趣支持了多种软件框架（例如 Qiskit、Pennylane、Braket）的开发，以实现、模拟和执行量子算法。它们中的大多数允许我们定义量子电路、运行基本量子算法并访问低级原语，具体取决于此类软件应该运行的硬件。对于大多数实验，这些框架必须手动集成到更大的机器学习软件管道中。研究人员负责了解不同的软件包，通过开发长代码脚本将它们集成起来，分析结果并生成图表。长代码通常会导致错误的应用程序，因为平均错误数量与程序长度成正比。此外，由于需要熟悉代码脚本中涉及的所有不同软件框架，其他研究人员将很难理解和重现实验。我们提出了 QuASK，这是一个用 Python 编写的开源量子机器学习框架，可帮助研究人员进行实验，特别关注量子核技术。QuASK 可用作命令行工具来下载数据集、预处理数据集、量子机器学习例程、分析和可视化结果。QuASK 实现了大多数最先进的算法，通过量子核来分析数据，并可以使用投影核、（梯度下降）可训练量子核和结构优化的量子核。我们的框架还可以用作库并集成到现有软件中，从而最大限度地提高代码重用率。
带内核的量子优势探索者 (QuASK)
利用量子信息的特性来造福机器学习模型可能是量子计算领域最活跃的研究领域。这种兴趣支持了多种软件框架（例如 Qiskit、Pennylane、Braket）的开发，以实现、模拟和执行量子算法。它们中的大多数允许我们定义量子电路、运行基本量子算法并访问低级原语，具体取决于此类软件应该运行的硬件。对于大多数实验，这些框架必须手动集成到更大的机器学习软件管道中。研究人员负责了解不同的软件包，通过开发长代码脚本来集成它们，分析结果并生成图表。长代码通常会导致错误的应用程序，因为平均错误数量与程序长度成正比。此外，其他研究人员将很难理解和重现实验，因为他们需要熟悉实验中涉及的所有不同软件框架
混合量子-经典方法
参考文献 [1] M. Benedetti、E. Lloyd、S. Sack 和 M. Fiorentini，“参数化量子电路作为机器学习模型”，载于《量子科学与技术》4，043001 (2019)。 [2] S. Jerbi、LJ Fiderer、HP Nautrup、JM Kübler、HJ Briegel 和 V. Dunjko，“超越核方法的量子机器学习”，arXiv 预印本 arXiv:2110.13162 (2021)。 [3] V. Havlicek、AD Corcoles、K. Temme、AW Harrow、A. Kandala、JM Chow 和 JM Gambetta，“使用量子增强特征空间的监督学习”，载于《自然》567，209 (2019)。 [4] M. Schuld 和 N. Killoran，“特征希尔伯特空间中的量子机器学习”，载于《物理评论快报》122，040504 (2019)。[5] M. Schuld，“监督量子机器学习模型是核方法”，arXiv:2101.11020 (2021)。 [6] JE Johnson、V Laparra、A Perez-Suay、MD Mahecha 和 G Camps-Valls G，“核方法及其衍生物：地球系统科学的概念和观点”，载于 PLoS ONE 15(10 (2020)。[7] Benyamin Ghojogh、Ali Ghodsi、Fakhri Karray 和 Mark Crowley，“重现核希尔伯特空间、Mercer 定理、特征函数、Nystrom 方法和机器学习中核的使用：教程和调查”，arXiv 预印本 arXiv:2106.08443 (2021)。[8] Y. Liu、S. Arunachalam 和 K. Temme，“监督机器学习中严格而稳健的量子加速”，载于 Nature Physics 17, 1013 (2021)。[9] JR Glick、TP Gujarati、AD Corcoles、Y. Kim、A. Kandala、JM Gambetta 和 K. Temme，“具有群结构数据的协变量子核”，arXiv 预印本 arXiv:2105.03406 (2021)。[10] Francesco Di Marcantonio、Massimiliano Incudini、Davide Tezza 和 Michele Grossi，“QuASK——具有核的量子优势寻求者”，arXiv 预印本 arXiv:2206.15284 (2022)。[11] Supanut Thanasilp、Samson Wang、M Cerezo 和 Zoe Holmes。“量子核方法中的指数集中和不可训练性”，arXiv 预印本 arXiv:2208.11060 (2022)。 [12] Sergey Bravyi、Oliver Dial、Jay M. Gambetta、Dario Gil 和 Zaira Nazario，“超导量子比特的量子计算的未来”，arXiv 预印本 arXiv:2209.06841 (2022 年)。