.png){kind=icon}
返回
Digitized counterdiabatic quantum feature extraction
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-67564-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们介绍了一种基于哈密顿量的量子特征提取方法，该方法通过k-局域多体自旋哈密顿量的动力学生成复杂数据特征，以提升机器学习性能。经典特征向量被嵌入自旋玻璃哈密顿量中，其中单变量贡献和高阶相关性通过多体相互作用来表示。通过在IBM量子处理器（含156个量子比特）上施加合适的量子动力学演化系统，数据经由低阶和高阶可观测量期望值映射到高维特征空间。这使我们能够捕捉到标准经典方法难以获取的统计依赖关系。我们在高维真实数据集（包括分子毒性分类和图像识别）上评估该方法，并通过分析特征重要性表明，量子提取的特征能够补充并且在许多情况下超越经典特征。结果表明，结合量子与经典特征提取可以为各类机器学习任务提供一致的性能提升，这表明当前及近期的量子设备在数据驱动应用中具有可靠的早期量子实用性水平。
Keyword:
Quantum machine learning
Quantum feature extraction
Counterdiabatic driving
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
暂无论文信息