.png){kind=icon}
返回
Adiabatic quantum support vector machines
.png){kind=icon}
PRE
AI
DOI：10.1007/s42484-025-00280-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
绝热量子计算机可以解决困难的优化问题（例如，二次无约束二元优化问题），并且它们似乎非常适合训练机器学习模型。本文中，我们描述了一种用于训练支持向量机的绝热量子方法。我们证明，我们量子方法的时间复杂度比经典方法好一个数量级。接下来，我们将我们的量子方法与使用Python中Scikit-learn库的经典方法在五个基准数据集（Iris、Wisconsin Breast Cancer (WBC)、Wine、Digits和Lambeq）上进行测试准确率比较。我们证明，我们的量子方法获得的准确率与经典方法相当。最后，我们进行了一项可扩展性研究，在该研究中，我们计算了随着特征数量和数据集中训练数据点数量的增加，量子方法和经典方法的总训练时间。我们的可扩展性结果表明，在具有大量（数百万）特征的数据集上，量子方法比经典方法实现了3.5-4.5倍的加速。
Keyword:
Quantum machine learning
Quantum AI
Support vector machine
Machine learning
Quantum computing
期刊
Q
IF:
4.4
论文数:
453
被引数:
796
.png){kind=icon}
查看更多内容