.png){kind=icon}
返回
Evolutionary-enhanced quantum supervised learning model
.png){kind=icon}
OA
AI
DOI：10.1007/s11227-024-06875-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子监督学习利用变分电路，因其在创建量子特征图和实现带可训练参数的硬件高效Ansatz方面的高效硬件资源利用，而成为NISQ设备的极具前景的技术。尽管具有这些优势，但量子模型的训练仍面临挑战，特别是 barren plateau 现象，导致在优化迭代过程中学习停滞。本研究提出了一种创新方法：进化增强的 Ansatz-free 监督学习模型。与参数化电路不同，我们的模型采用通过精英方法演化的可变拓扑电路，以缓解 barren plateau 问题。此外，我们引入了一个新概念——多-hot 编码的叠加，以促进多分类问题的处理。我们的框架成功避免了学习停滞，从而提高了模型精度。与该技术领域的最新变分量子分类器进行的比较分析显示，训练效率和精度均得到显著提升。此外，我们在一个传统上对常规核机具有挑战性的数据集类别上进行了测试，证明了在NISQ时代实现监督学习量子优势的一种潜在替代路径。
Keyword:
Quantum supervised learning
Quantum evolutionary computation
Barren plateaus
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
查看更多机构
.png){kind=icon}
