.png){kind=icon}
返回
Quantum Support Vector Machines and Quantum Kernel Methods
.png){kind=icon}
PRE
AI
DOI：10.1002/spe.70070.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景 量子支持向量机和量子核方法是量子机器学习中有前景的途径，旨在利用量子计算来提升分类性能和计算效率。本文系统综述了QSVM和基于核的量子分类器的最新进展，并分析了其算法框架、实验实现和实际挑战。方法 我们系统地考察了QSVM方法，包括基于HHL算法、Hadamard测试和变分优化的三种方案，以及多类扩展和量子特征映射。结果 研究发现，QSVM在特定场景下可提供理论加速，特别是在结合将数据编码到高维希尔伯特空间的量子特征映射时。然而，当前实现仍受限于硬件约束，且缺乏大规模通用验证。大多数研究聚焦于概念验证实验，实际应用有限。结论 尽管前景广阔，QSVM需要在可扩展性、抗噪声能力和实际集成方面进一步改进。未来研究应聚焦于鲁棒算法和实证研究。
Keyword:
quantum algorithm
quantum feature mapping
quantum kernel method
quantum support vector machine
期刊
S
IF:
2.7
论文数:
49
被引数:
0
机构
引用论文
Polynomial-Time Algorithms for Prime Factorization and Discrete Logarithms on a Quantum Computer量子计算机上质因数分解和离散对数的多项式时间算法
OAAI
OAAI分享收藏A variational eigenvalue solver on a photonic quantum processor光子量子处理器上的变分特征值求解器.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容