.png){kind=icon}
返回
Quantum ensemble learning with a programmable superconducting processor
.png){kind=icon}
OA
AI
DOI：10.1038/s41534-025-01037-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子机器学习是量子计算最具潜力的应用之一。然而，量子信息对环境噪声的脆弱性以及实现容错的高成本，阻碍了量子模型学习复杂数据集的能力。在此，我们介绍了AdaBoost.Q，一种经典自适应提升（AdaBoost）算法的量子适配版本，旨在增强量子分类器的学习能力。基于量子测量的概率特性，该算法通过在自适应训练和量子分类器组合过程中优化注意力机制，提高了预测精度。我们在可编程超导处理器上实验验证了该方法的通用性，观察到在多种量子机器学习模型（包括量子神经网络和量子卷积神经网络）中均取得了显著的性能提升。借助AdaBoost.Q，我们在包含10,000个测试样本的十类分类任务中实现了超过86%的准确率，并在包含1,564个测试样本的量子特征识别任务中达到了100%的准确率。我们的结果表明，这是一种推动量子机器学习走向实际应用的基础工具，适用于当前的噪声量子设备和未来的容错量子设备。
期刊
IF:
8.3
论文数:
1.4K
被引数:
8.1K
查看更多机构
.png){kind=icon}
