.png){kind=icon}
返回
Typical machine learning datasets as low-depth quantum circuits
.png){kind=icon}
PRE
AI
DOI：10.1088/2058-9565/ae0123.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（QML）是一个新兴领域，研究量子计算机在机器学习任务中的能力。尽管QML模型在理论上可以提供如指数级加速等优势，但数据加载的挑战以及扩展到相关问题规模的能力阻碍了在实用问题中展示这些优势。特别是，将任意经典数据编码到量子态中通常需要高昂的计算成本，无论是以量子比特数量还是门数量计。然而，现实世界的数据通常表现出某些固有结构（如图像数据），可以利用这些结构以更小的成本在量子计算机上加载它们。本工作进一步开发了一种高效算法，用于寻找低深度量子电路，以将经典图像数据作为量子态加载。为评估其有效性，我们在MNIST、Fashion-MNIST、CIFAR-10和Imagenette数据集上进行了系统研究。用于加载完整大规模数据集的相应电路公开作为PennyLane数据集提供，可供社区用于其自己的基准测试。我们进一步分析了各种量子分类器的性能，如量子核方法、参数化量子电路和张量网络分类器，并将它们与卷积神经网络进行比较。特别地，我们关注在引入输入状态的非线性函数时量子分类器的性能，例如通过让电路参数依赖于输入状态。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5
论文数:
1.4K
被引数:
5.1K
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Absence of barren plateaus and scaling of gradients in the energy optimization of isometric tensor network states在等距张量网络态的能量优化中不存在空旷高原现象，且梯度具有缩放性。
IF0
PREAI
分享收藏分享收藏分享收藏
查看更多内容