.png){kind=icon}
返回
Qudit machine learning
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ad360d.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们对简单的d级系统 (qudit) 的学习能力进行了全面的调查。我们的研究专门用于使用真实世界数据库的分类任务，特别是Iris，乳腺癌和MNIST数据集。我们探索度量学习框架中的各种学习模型，以及不同的编码策略。特别是，我们采用数据重新上传技术和最大正交状态来容纳低维系统中的输入数据。我们的发现揭示了最佳策略，表明当输入特征数据的维度和课程数量不明显大于qudit的维度时，我们的结果显示出与最佳经典模型的良好比较。即使对于尺寸d <5并且利用具有几层 (L = 1，2) 的算法的小型量子系统，这种趋势也是如此。但是，对于诸如MNIST之类的高维数据，我们采用了一种混合方法，该方法涉及通过卷积神经网络进行降维。在这种情况下，我们观察到小型量子系统通常会成为瓶颈，导致与经典系统相比精度较低。
Keyword:
quantum machine learning
quantum technologies
quantum computing
qudit
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
引用论文
Experimental kernel-based quantum machine learning in finite feature space有限特征空间中基于实验核的量子机器学习.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏Native qudit entanglement in a trapped ion quantum processor囚禁离子量子处理器中的本地量子纠缠NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容