.png){kind=icon}
返回
Classical Intelligence For Quantum Technologies: An Evidence Roadmap For AI-Enabled Quantum-Computing Workflows
.png){kind=icon}
PRE
AI
DOI：10.1002/qute.70495.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）正成为量子计算工作流程的运行组成部分。这里，经典智能表示经典学习、推理和自适应搜索——机器学习（ML）、深度学习（DL）和仿生优化——这些方法改进了量子工作流程的控制、执行或解释方式。一项结构化叙事综述将这些方法映射到控制、读出、编译和应用层。一项可复现的检索识别出379条记录；保留了112项直接评估性研究和21项背景记录。每项研究在四个报告维度上被编码为明确、部分或缺失。可见性呈不对称分布（计数，95%威尔逊区间）：量子预算109/112（92.4%–99.1%），经典开销72/112（55.1%–72.6%），鲁棒性70/112（53.3%–70.9%），迁移性56/112（40.9%–59.1%）。一项独立的部署准备度判断，基于评估方案，将85/112项研究归类为仅模拟器，13/112项为混合或云端，14/112项为硬件验证；无研究满足控制器服务标准。关联的结果层记录了每项研究的比较对象和效应方向。当不确定性或可重用结构减少量子查询时，机器学习最具可辩护性；当原始或高维结构占主导时，深度学习最具可辩护性；当目标复杂或混合离散-连续时，仿生搜索最具可辩护性。该领域的主要局限性是缺乏关于经典成本、漂移、迁移和部署的完整端到端证据，而非效益缺失。
Keyword:
bio-inspired optimization
classical intelligence
deep learning
evidence map
machine learning
quantum compilation
quantum control
quantum error correction
quantum technologies
variational quantum algorithms
期刊
A
IF:
4.3
论文数:
515
被引数:
3.2K
机构
引用论文
Arbitrary quantum states preparation aided by deep reinforcement learning基于深度强化学习的任意量子态制备.png)
PHYSICA SCRIPTA
PHYSICA SCRIPTAIF2.6
PREAI
分享收藏Machine learning method for state preparation and gate synthesis on photonic quantum computers用于光子量子计算机的状态准备和门合成的机器学习方法
OAAI
OAAI分享收藏
查看更多内容