.png){kind=icon}
返回
Quantum machine learning : Developing hybrid quantum-classical algorithms for enhanced computational power
.png){kind=icon}
PRE
AI
DOI：10.47974/JDMSC-2543.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着机器学习对计算资源需求日益增长，量子计算作为传统计算的有效替代方案受到关注。本文提出了一种混合量子-经典系统，通过参数化量子电路结合经典优化循环来提升学习性能。与传统方法处理参数更新和收敛不同，该方案利用量子变分电路存储和处理高维数据。我们使用Qiskit构建此架构，并在Iris、MNIST（二进制）、CIFAR-100（子集）、HIGGS和GTEx（基因表达）等经典数据集上运行。针对复杂非线性模式的任务（分类号68M25），结果表明混合方法在精度上达到或超过经典基准。实际量子硬件与系统兼容性良好，噪声不影响其精度。本研究展示了混合量子-经典学习模型如何克服硬件限制，为大数据处理应用提供真正的量子优势。
Keyword:
Quantum machine learning
Hybrid algorithms
Variational quantum circuit
Quantum-classical optimization
Qiskit
NISQ devices
