.png){kind=icon}
返回
Generalization in quantum machine learning from few training data
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-022-32550-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代量子机器学习 (QML) 方法涉及在训练数据集上变化地优化参数化量子电路，并且随后在测试数据集上进行预测 (即，一般化)。在这项工作中，我们在有限数量的N个训练数据点上进行训练后，对QML中的泛化性能进行了全面研究。我们证明了具有T个可训练门的量子机器学习模型的泛化误差在最坏的情况下与根T/N成比例。当只有K << T门在优化过程中发生了实质性变化时，我们证明了泛化误差提高到根K/N。我们的结果表明，将单元编译成多项式数量的本机门，这是量子计算行业的一个关键应用，通常使用指数大小的训练数据，可以大大加快。我们还表明，使用量子卷积神经网络对相变中的量子态进行分类只需要非常小的训练数据集。其他潜在的应用包括学习量子纠错码或量子动态模拟。我们的工作为QML领域注入了新的希望，因为很少的训练数据可以保证良好的泛化。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.4W
被引数:
91.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容