Quantum circuit-based learning models: bridging quantum computing and machine learning

Fan Fan

doi:10.1007/s10462-026-11686-4

Quantum circuit-based learning models: bridging quantum computing and machine learning

2026-09-09

0

OA

AI

DOI：10.1007/s10462-026-11686-4

原文链接

原文求助

摘要

En 中文

机器学习（ML）因其能够从数据中自动识别各类任务的有用模式，已被广泛应用于众多领域。大规模数据的可用性和先进的计算能力促进了复杂模型和训练策略的发展，实现了最先进的性能，但也带来了巨大挑战。量子计算（QC）利用量子机制进行计算，已吸引日益增长的关注和显著全球投资，因为它可能解决这些挑战。因此，量子机器学习（QML）作为这两个领域的融合，受到了越来越多的关注，近年来相关研究显著增加。我们受此激励，回顾了基于量子电路的学习模型在经典数据分析方面的现有贡献，并强调了该技术的潜在优势和挑战。具体而言，我们不仅关注QML模型（包括基于核的和基于神经网络的），还关注了它们与经典机器学习层在混合框架中的集成探索。此外，我们考察了理论分析和实证发现，以更好地理解其能力，并讨论了在抗噪声和硬件高效方面的QML努力，这可能增强其在当前硬件限制下的实用性。另外，我们介绍了几种先进的量子电路设计范式，并强调了QML在代表性应用领域的适应性。本研究旨在概述量子计算与机器学习融合的贡献，提供见解和指导以支持其未来发展，并为未来几年的更广泛应用铺平道路。

Keyword:

Quantum computing

Machine learning

Quantum circuit

Parameterized quantum circuit

Quantum circuit-based learning models: bridging quantum computing and machine learning

摘要

期刊

机构