ลักษณะทั่วไปแม้จะมีการใช้โมเดลการเรียนรู้ของเครื่องควอนตัมมากเกินไปก็ตาม

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

ลักษณะทั่วไปแม้ว่าจะมีการติดตั้งมากเกินไปในโมเดลการเรียนรู้ของเครื่องควอนตัม PlatoBlockchain Data Intelligence ค้นหาแนวตั้ง AI.

ปีเตอร์สอีวาน^1,2,3 และมาเรีย ชูลด์⁴

¹ภาควิชาฟิสิกส์ มหาวิทยาลัยวอเตอร์ลู วอเตอร์ลู ON N2L 3G1 แคนาดา
²สถาบันคอมพิวเตอร์ควอนตัม, วอเตอร์ลู, ON, N2L 3G1, แคนาดา
³สถาบันฟิสิกส์เชิงทฤษฎีปริมณฑล, วอเตอร์ลู, ออนแทรีโอ, N2L 2Y5, แคนาดา
⁴ซานาดู โตรอนโต ON M5G 2C8 แคนาดา

พบบทความนี้ที่น่าสนใจหรือต้องการหารือ? Scite หรือแสดงความคิดเห็นใน SciRate.

นามธรรม

ความสำเร็จอย่างกว้างขวางของโครงข่ายประสาทเทียมเชิงลึกเผยให้เห็นความประหลาดใจในการเรียนรู้ของเครื่องแบบคลาสสิก: โมเดลที่ซับซ้อนมากมักจะสรุปได้ดีในขณะที่ข้อมูลการฝึกอบรมมากเกินไป ปรากฏการณ์ของการสวมอุปกรณ์มากเกินไปอย่างอ่อนโยนนี้ได้รับการศึกษาสำหรับโมเดลคลาสสิกต่างๆ โดยมีเป้าหมายเพื่อทำความเข้าใจกลไกเบื้องหลังการเรียนรู้เชิงลึกให้ดีขึ้น การระบุลักษณะปรากฏการณ์ในบริบทของการเรียนรู้ของเครื่องควอนตัมอาจช่วยปรับปรุงความเข้าใจของเราเกี่ยวกับความสัมพันธ์ระหว่างการปรับมากเกินไป การกำหนดพารามิเตอร์มากเกินไป และการวางนัยทั่วไปในทำนองเดียวกัน ในงานนี้ เราได้จัดเตรียมคุณลักษณะของการโอเวอร์ฟิตที่ไม่เป็นพิษเป็นภัยในแบบจำลองควอนตัม ในการทำเช่นนี้ เราได้มาจากพฤติกรรมของแบบจำลองฟีเจอร์ฟูริเยร์ที่ประมาณค่าแบบคลาสสิกสำหรับการถดถอยของสัญญาณรบกวน และแสดงให้เห็นว่าคลาสของแบบจำลองควอนตัมแสดงคุณสมบัติที่คล้ายคลึงกันอย่างไร โดยจึงเชื่อมโยงโครงสร้างของวงจรควอนตัม (เช่น การเข้ารหัสข้อมูล และการดำเนินการเตรียมสถานะ ) ไปจนถึงการกำหนดพารามิเตอร์มากเกินไปและการปรับมากเกินไปในแบบจำลองควอนตัม เราอธิบายคุณลักษณะเหล่านี้โดยสัญชาตญาณตามความสามารถของแบบจำลองควอนตัมในการแก้ไขข้อมูลที่มีเสียงดังด้วยพฤติกรรม "แหลมคม" ในท้องถิ่น และให้ตัวอย่างการสาธิตที่เป็นรูปธรรมของการติดตั้งมากเกินไปที่ไม่เป็นพิษเป็นภัย

► ข้อมูล BibTeX

@article{Peters2023generalization, doi = {10.22331/q-2023-12-20-1210}, url = {https://doi.org/10.22331/q-2023-12-20-1210}, title = {ลักษณะทั่วไปแม้จะมี การติดตั้งมากเกินไปในโมเดลการเรียนรู้ของเครื่องควอนตัม}, ผู้แต่ง = {Peters, Evan และ Schuld, Maria}, วารสาร = {{Quantum}}, issn = {2521-327X}, ผู้จัดพิมพ์ = {{Verein zur F{“{o}}rderung des Open Access Publizierens ใน Den Quantenwissenschaften}}, ปริมาณ = {7}, หน้า = {1210}, เดือน = ธันวาคม, ปี = {2023} }

► ข้อมูลอ้างอิง

[1] ไมเคิล เอ.นีลเซ่น. “โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก” กดกำหนด. (2015). url: http:///neuralnetworksanddeeplearning.com/.
http://neuralnetworksanddeeplearning.com/

[2] สจวร์ต เกมัน, เอลี บีเนนสต็อค และเรอเน ดูร์ซัต “โครงข่ายประสาทเทียมและภาวะที่กลืนไม่เข้าคายไม่ออกของอคติ/ความแปรปรวน” คอมพิวเตอร์ประสาท 4, 1–58 (1992)
https://doi.org/10.1162/neco.1992.4.1.1

[3] เทรเวอร์ แฮสตี, โรเบิร์ต ทิบชิรานี, เจอโรม เอช. ฟรีดแมน และเจอโรม เอช. ฟรีดแมน “องค์ประกอบของการเรียนรู้ทางสถิติ: การขุดข้อมูล การอนุมาน และการทำนาย” เล่มที่ 2 สปริงเกอร์ (2009)
https://doi.org/10.1007/978-0-387-84858-7

[4] ปีเตอร์ แอล. บาร์ตเลตต์, อันเดรีย มอนทานารี และอเล็กซานเดอร์ รัคลิน “การเรียนรู้เชิงลึก: มุมมองทางสถิติ” แอคตา นูเมริกา 30, 87–201 (2021)
https://doi.org/10.1017/S0962492921000027

[5] มิคาอิล เบลคิน. “ฟิตโดยไม่ต้องกลัว: ปรากฏการณ์ทางคณิตศาสตร์อันน่าทึ่งของการเรียนรู้เชิงลึกผ่านปริซึมของการประมาณค่า” แอกตา นูเมริกา 30, 203–248 (2021)

[6] ปีเตอร์ แอล. บาร์ตเลตต์, ฟิลิป เอ็ม. ลอง, กาบอร์ ลูโกซี และอเล็กซานเดอร์ ซิกเลอร์ “การถดถอยเชิงเส้นแบบอ่อนโยน” โปรค Natl. อคาด. วิทยาศาสตร์ 117, 30063–30070 (2020)
https://doi.org/10.1073/pnas.1907378117

[7] มิคาอิล เบลคิน, แดเนียล ซู, ซือหยวน หม่า และซูมิก มันดาล “การปรับแนวปฏิบัติของแมชชีนเลิร์นนิงสมัยใหม่และการแลกเปลี่ยนความแปรปรวนอคติแบบคลาสสิก” โปรค Natl. อคาด. วิทยาศาสตร์ 116, 15849–15854 (2019)
https://doi.org/10.1073/pnas.1903070116

[8] มิคาอิล เบลคิน, อเล็กซานเดอร์ รัคลิน และอเล็กซานเดอร์ บี. ทซีบาคอฟ “การแก้ไขข้อมูลขัดแย้งกับความเหมาะสมทางสถิติหรือไม่” ในการดำเนินการวิจัยการเรียนรู้ของเครื่อง เล่มที่ 89 หน้า 1611–1619 พีเอ็มแอลอาร์ (2019) URL: https:///proceedings.mlr.press/v89/belkin19a.html.
https:///proceedings.mlr.press/v89/belkin19a.html

[9] วิทยา มูทูกุมาร์, ไกลาส โวดราฮัลลี, วิกเนช ซูบรามาเนียน และอนันต์ ซาไฮ “การแก้ไขข้อมูลที่มีเสียงดังในการถดถอยโดยไม่เป็นอันตราย” วารสาร IEEE เรื่องพื้นที่ที่เลือกในทฤษฎีสารสนเทศ 1, 67–83 (2020)
https://doi.org/10.1109/ISIT.2019.8849614

[10] วิทยา มูทูคูมาร์, อัดยาน นารัง, วิกเนช ซูบรามาเนียน, มิคาอิล เบลคิน, แดเนียล ซู และอนันต์ ซาไฮ “การจำแนกประเภทและการถดถอยในระบบการปกครองที่มีพารามิเตอร์มากเกินไป: ฟังก์ชั่นการสูญเสียมีความสำคัญหรือไม่” เจ.มัค. เรียนรู้. ความละเอียด 22, 1–69 (2021) URL: http:///jmlr.org/papers/v22/20-603.html.
http:///jmlr.org/papers/v22/20-603.html

[11] เยฮูดา ดาร์, วิดยา มูทูคูมาร์ และริชาร์ด จี. บารานิอุก “อำลาการแลกเปลี่ยนอคติและความแปรปรวนใช่ไหม? ภาพรวมของทฤษฎีการเรียนรู้ของเครื่องที่มีพารามิเตอร์เกินพารามิเตอร์” (2021) arXiv:2109.02355.
arXiv: 2109.02355

[12] มาร์เชลโล เบเนเดตติ, เอริกา ลอยด์, สเตฟาน แซ็ค และมัตเทีย ฟิออเรนตินี “วงจรควอนตัมที่กำหนดพารามิเตอร์เป็นแบบจำลองการเรียนรู้ของเครื่อง” วิทยาศาสตร์ควอนตัม เทคโนโลยี 4, 043001 (2019)
https://doi.org/10.1088/2058-9565/ab4eb5

[13] K. Mitarai, M. Negoro, M. Kitagawa และ K. Fujii “การเรียนรู้วงจรควอนตัม”. ฟิสิกส์ รายได้ ก 98, 032309 (2018)
https://doi.org/10.1103/physreva.98.032309

[14] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac และ Nathan Killoran “การประเมินการไล่ระดับสีเชิงวิเคราะห์บนฮาร์ดแวร์ควอนตัม” ฟิสิกส์ รายได้ ก 99, 032331 (2019)
https://doi.org/10.1103/physreva.99.032331

[15] มาเรีย ชูลด์ และนาธาน คิลโลแรน “การเรียนรู้ของเครื่องควอนตัมในฟีเจอร์ฮิลเบิร์ตสเปซ” ฟิสิกส์ รายได้ Lett 122, 040504 (2019).
https://doi.org/10.1103/physrevlett.122.040504

[16] Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow และ Jay M. Gambetta “การเรียนรู้แบบมีผู้สอนพร้อมพื้นที่ฟีเจอร์เสริมควอนตัม” ธรรมชาติ 567, 209–212 (2019)
https://doi.org/10.1038/s41586-019-0980-2

[17] เซธ ลอยด์ และคริสเตียน วีดบรูค “การเรียนรู้ปฏิปักษ์เชิงกำเนิดควอนตัม” ฟิสิกส์ สาธุคุณเลตต์. 121, 040502 (2018)
https://doi.org/10.1103/physrevlett.121.040502

[18] ปิแอร์-ลุค ดัลแลร์-เดเมอร์ส และนาธาน คิลโลแรน “เครือข่ายปฏิปักษ์ที่สร้างควอนตัม” ฟิสิกส์ ฉบับที่ 98, 012324 (2018)
https://doi.org/10.1103/physreva.98.012324

[19] อามิรา อับบาส, เดวิด ซัทเทอร์, คริสต้า ซูฟาล, ออเรเลียน ลุคกี้, อเลสซิโอ ฟิกัลลี และสเตฟาน เวอร์เนอร์ “พลังของเครือข่ายประสาทควอนตัม” แนท. คอมพิวเตอร์ วิทยาศาสตร์ 1, 403–409 (2021)
https://doi.org/10.1038/s43588-021-00084-1

[20] โลแกน จี. ไรท์ และปีเตอร์ แอล. แมคมาฮอน “ความสามารถของโครงข่ายประสาทเทียมควอนตัม” ในปี 2020 การประชุมเรื่องเลเซอร์และเลนส์ไฟฟ้า (CLEO) หน้า 1–2. (2020). URL: https:///ieeexplore.ieee.org/document/9193529.
https://ieeexplore.ieee.org/document/9193529

[21] ซูคิน ซิม, ปีเตอร์ ดี. จอห์นสัน และอลัน แอสปูรู-กูซิก “ความสามารถในการแสดงออกและความสามารถในการพันกันของวงจรควอนตัมแบบกำหนดพารามิเตอร์สำหรับอัลกอริธึมควอนตัมคลาสสิกแบบไฮบริด” โฆษณา ควอนตัมเทคโน 2/1900070 (2019)
https://doi.org/10.1002/qute.201900070

[22] โธมัส ฮูเบรกเซ่น, โจเซฟ พิเคิลไมเออร์, แพทริค สเตเชอร์ และโคเอน เบอร์เทลส์ “การประเมินวงจรควอนตัมแบบกำหนดพารามิเตอร์: เกี่ยวกับความสัมพันธ์ระหว่างความแม่นยำในการจำแนกประเภท การแสดงออกได้ และความสามารถในการพันกัน” ควอนตัมมัค Intell 3, 1 (2021)
https://doi.org/10.1007/s42484-021-00038-w

[23] จาร์ร็อด อาร์ แมคคลีน, เซอร์จิโอ โบโซ, วาดิม เอ็น สเมเลียนสกี้, ไรอัน แบบบุช และฮาร์ทมุท เนเวน “ที่ราบแห้งแล้งในภูมิทัศน์การฝึกอบรมเครือข่ายประสาทควอนตัม” แนท. ชุมชน 9/4812 (2018)
https://doi.org/10.1038/s41467-018-07090-4

[24] มาร์โก เซเรโซ, อากิระ โซเน่, ไทเลอร์ โวลคอฟฟ์, ลูคัส ซินซิโอ และแพทริค เจ โคลส์ “ฟังก์ชันต้นทุนขึ้นอยู่กับที่ราบสูงแห้งแล้งในวงจรควอนตัมแบบพาราเมตริกแบบตื้น” แนท. ชุมชน 12 ต.ค. 1791 (2021)
https://doi.org/10.1038/s41467-021-21728-w

[25] แมทเธียส ซี. คาโร, เอลีส กิล-ฟุสเตอร์, โยฮันเนส จาคอบ เมเยอร์, เจนส์ ไอเซิร์ต และไรอัน สเวค “ขอบเขตลักษณะทั่วไปที่ขึ้นกับการเข้ารหัสสำหรับวงจรควอนตัมแบบพารามิเตอร์” ควอนตัม 5, 582 (2021)
https://doi.org/10.22331/q-2021-11-17-582

[26] ซิน-หยวน ฮวง, ไมเคิล บรอจตัน, มาซูด โมห์เซนี, ไรอัน แบบบุช, เซอร์จิโอ บอยโซ, ฮาร์ทมุท เนเวน และจาร์ร็อด อาร์ แม็คคลีน “พลังของข้อมูลในการเรียนรู้ของเครื่องควอนตัม” แนท. ชุมชน 12/2631 (2021)
https://doi.org/10.1038/s41467-021-22539-9

[27] แมทเธียส ซี. คาโร, ซิน-หยวน ฮวง, เอ็ม. เซเรโซ, คูนัล ชาร์มา, แอนดรูว์ ซอร์นบอร์เกอร์, ลูคัสซ์ ซินซิโอ และแพทริค เจ. โคลส์ “ลักษณะทั่วไปในการเรียนรู้ของเครื่องควอนตัมจากข้อมูลการฝึกอบรมเพียงเล็กน้อย” แนท. ชุมชน 13/4919 (2022)
https://doi.org/10.1038/s41467-022-32550-3

[28] เลโอนาร์โด บันชี, เจสัน เปเรย์รา และสเตฟาโน ปิรันโดลา “ลักษณะทั่วไปในการเรียนรู้ของเครื่องควอนตัม: มุมมองข้อมูลควอนตัม” PRX ควอนตัม 2, 040321 (2021)
https://doi.org/10.1103/PRXQuantum.2.040321

[29] ฟรานซิสโก ฮาเวียร์ กิล วิดัล และเดิร์ก โอลิเวอร์ ธีส “อินพุตซ้ำซ้อนสำหรับวงจรควอนตัมแบบกำหนดพารามิเตอร์” ด้านหน้า. ฟิสิกส์ 8, 297 (2020)
https://doi.org/10.3389/fphy.2020.00297

[30] มาเรีย ชูลด์, ไรอัน สเวค และโยฮันเนส จาคอบ เมเยอร์ “ผลของการเข้ารหัสข้อมูลต่อพลังการแสดงออกของแบบจำลองควอนตัมแมชชีนเลิร์นนิงแบบแปรผัน” ฟิสิกส์ ฉบับที่ 103, 032430 (2021)
https://doi.org/10.1103/physreva.103.032430

[31] เดวิด วีริชส์, จอช ไอแซค, โคดี้ หวัง และเซดริก เยนหยู ลิน “กฎการเปลี่ยนพารามิเตอร์ทั่วไปสำหรับการไล่ระดับควอนตัม” ควอนตัม 6, 677 (2022)
https://doi.org/10.22331/q-2022-03-30-677

[32] เคนดัลล์ อี แอตกินสัน. “ความรู้เบื้องต้นเกี่ยวกับการวิเคราะห์เชิงตัวเลข”. จอห์น ไวลีย์ แอนด์ ซันส์ (2008)

[33] อาลี ราฮิมี และเบนจามิน เรชท์ “คุณสมบัติสุ่มสำหรับเครื่องเคอร์เนลขนาดใหญ่” ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท เล่มที่ 20. (2007). url: https:///papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392effeb8f18fda755-Abstract.html.
https://papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392effeb8f18fda755-Abstract.html

[34] วอลเตอร์ รูดิน. “ทฤษฎีบทพื้นฐานของการวิเคราะห์ฟูริเยร์” จอห์น ไวลีย์ แอนด์ ซันส์ จำกัด (1990)
https://doi.org/10.1002/9781118165621.ch1

[35] ซ่ง เหม่ย และ อันเดรีย มอนตานารี “ข้อผิดพลาดทั่วไปของการถดถอยคุณลักษณะแบบสุ่ม: เส้นกำกับที่แม่นยำและเส้นโค้งโคตรคู่” ชุมชน แอพเพียว คณิตศาสตร์. 75, 667–766 (2022)
https://doi.org/10.1002/cpa.22008

[36] Trevor Hastie, Andrea Montanari, Saharon Rosset และ Ryan J. Tibshirani “ความประหลาดใจในการแก้ไขกำลังสองน้อยที่สุดแบบไม่มีสันในมิติสูง” แอน. สถิติ 50, 949 – 986 (2022)
https://doi.org/10.1214/21-AOS2133

[37] เถิงหยวน เหลียง, อเล็กซานเดอร์ รัคลิน และซีหยู ไจ้ “เกี่ยวกับการสืบเชื้อสายหลายครั้งของสารแทรกซ้อนบรรทัดฐานขั้นต่ำและการจำกัดไอโซเมทของเมล็ดข้าวที่ต่ำกว่า” ในการดำเนินการวิจัยการเรียนรู้ของเครื่อง เล่มที่ 125 หน้า 1–29 พีเอ็มแอลอาร์ (2020) URL: http:///proceedings.mlr.press/v125/liang20a.html.
http:///proceedings.mlr.press/v125/liang20a.html

[38] เอ็ดเวิร์ด ฟาร์ฮี และฮาร์ทมุท เนเวน “การจำแนกประเภทด้วยโครงข่ายประสาทควอนตัมในตัวประมวลผลระยะใกล้” (2018) arXiv:1802.06002.
arXiv: 1802.06002

[39] มาเรีย ชูลด์, อเล็กซ์ โบคารอฟ, คริสต้า เอ็ม. สวอร์ และนาธาน วีบี “ตัวแยกประเภทควอนตัมที่เน้นวงจรเป็นหลัก” ฟิสิกส์ ฉบับที่ 101, 032308 (2020)
https://doi.org/10.1103/physreva.101.032308

[40] อาเดรียน เปเรซ-ซาลินาส, อัลบา เซอร์เบรา-เลียร์ตา, เอลีส กิล-ฟุสเตอร์ และโฮเซ่ ไอ. ลาตอร์เร “การอัปโหลดข้อมูลซ้ำสำหรับตัวแยกประเภทควอนตัมสากล” ควอนตัม 4, 226 (2020)
https://doi.org/10.22331/q-2020-02-06-226

[41] โซฟีเน เจอร์บี, ลูคัส เจ ฟิเดอเรอร์, เฮนดริก โพลเซ่น นอทรุป, โยนาส เอ็ม คุบเลอร์, ฮานส์ เจ บรีเกล และเวดราน ดันจ์โก้ “การเรียนรู้ของเครื่องควอนตัมนอกเหนือจากวิธีเคอร์เนล” แนท. ชุมชน 14, 517 (2023)
https://doi.org/10.1038/s41467-023-36159-y

[42] แคสเปอร์ กยูริก, ไดออน เฟวมิงเก้น, ฟาน และเวดราน ดันจ์โก้ “การลดความเสี่ยงเชิงโครงสร้างสำหรับตัวแยกประเภทเชิงเส้นควอนตัม” ควอนตัม 7, 893 (2023)
https://doi.org/10.22331/q-2023-01-13-893

[43] มาเรีย ชูลด์. “โมเดลการเรียนรู้ของเครื่องควอนตัมภายใต้การดูแลเป็นวิธีเคอร์เนล” (2021) arXiv:2101.11020.
arXiv: 2101.11020

[44] เอส ชิน, วาย. เอส. เตียว และ เอช. จอง “การเข้ารหัสข้อมูลเอ็กซ์โปเนนเชียลสำหรับการเรียนรู้แบบมีการควบคุมควอนตัม” ฟิสิกส์ รายได้ A 107, 012422 (2023)
https://doi.org/10.1103/PhysRevA.107.012422

[45] โซฟี พิคการ์ด. “Sur les ensembles de Distances des ensembles de point d’un espace euclidien” Memoires de l'Universite de Neuchatel. สำนักเลขาธิการมหาวิทยาลัย. (1939)

[46] Dave Wecker, Matthew B. Hastings, Nathan Wiebe, Bryan K. Clark, Chetan Nayak และ Matthias Troyer “การแก้แบบจำลองอิเล็กตรอนที่มีความสัมพันธ์กันอย่างมากบนคอมพิวเตอร์ควอนตัม” ฟิสิกส์ ฉบับที่ 92, 062318 (2015)
https://doi.org/10.1103/PhysRevA.92.062318

[47] Ian D. Kivlichan, Jarrod McClean, Nathan Wiebe, Craig Gidney, Alán Aspuru-Guzik, Garnet Kin-Lic Chan และ Ryan Babbush “การจำลองควอนตัมของโครงสร้างอิเล็กทรอนิกส์ด้วยความลึกเชิงเส้นและการเชื่อมต่อ” ฟิสิกส์ รายได้ Lett 120, 110501 (2018).
https://doi.org/10.1103/PhysRevLett.120.110501

[48] มาร์ติน ลารอกกา, เฟรเดริก โซเวจ, ฟาริส เอ็ม. สบาฮี, กิโยม แวร์ดอน, แพทริค เจ. โคลส์ และเอ็ม. เซเรโซ “การเรียนรู้ของเครื่องควอนตัมแบบไม่แปรผันแบบกลุ่ม” PRX ควอนตัม 3, 030341 (2022)
https://doi.org/10.1103/PRXQuantum.3.030341

[49] โยฮันเนส ยาคอบ เมเยอร์, แมเรียน มูลาร์สกี้, เอลีส กิล-ฟุสเตอร์, อันโตนิโอ แอนนา เมเล, ฟรานเชสโก อาร์ซานี, อลิสซา วิล์มส์ และเยนส์ ไอเซิร์ต “การใช้ประโยชน์จากความสมมาตรในการเรียนรู้ของเครื่องควอนตัมแบบแปรผัน” PRX ควอนตัม 4, 010328 (2023)
https://doi.org/10.1103/PRXQuantum.4.010328

[50] มาร์ติน ลารอกกา, นาธาน จู, ดิเอโก การ์เซีย-มาร์ติน, แพทริค เจ โคลส์ และมาร์โก เซเรโซ “ทฤษฎีโอเวอร์พาราเมตริกในโครงข่ายประสาทควอนตัม” แนท. คอมพิวเตอร์ วิทยาศาสตร์ 3, 542–551 (2023)
https://doi.org/10.1038/s43588-023-00467-6

[51] หยูซวนตู้, มินซิ่วเซียะ, ถงเหลียงหลิว และต้าเฉิงเต๋า “พลังการแสดงออกของวงจรควอนตัมแบบพาราเมตริก” ฟิสิกส์ รายได้ Res. 2, 033125 (2020)
https://doi.org/10.1103/physrevresearch.2.033125

[52] Zoë Holmes, Kunal Sharma, M. Cerezo และ Patrick J. Coles “การเชื่อมต่อความสามารถในการแสดงออกของ ansatz กับขนาดการไล่ระดับสีและที่ราบสูงแห้งแล้ง” PRX ควอนตัม 3, 010313 (2022)
https://doi.org/10.1103/PRXQuantum.3.010313

[53] แซมสัน หวัง, เอนริโก ฟอนทาน่า, มาร์โก เซเรโซ, คูนัล ชาร์มา, อากิรา โซเน, ลูคัส ซินซิโอ และแพทริค เจ โคลส์ “ที่ราบแห้งแล้งที่เกิดจากเสียงรบกวนในอัลกอริธึมควอนตัมแบบแปรผัน” แนท. ชุมชน 12/6961 (2021)
https://doi.org/10.1038/s41467-021-27045-6

[54] อับดุลกาดีร์ คานาทาร์, อีวาน ปีเตอร์ส, เซนกิซ เพห์เลวาน, สเตฟาน เอ็ม. ไวลด์ และรุสลัน เชย์ดูลิน “แบนด์วิธช่วยให้สามารถสรุปลักษณะทั่วไปในโมเดลเคอร์เนลควอนตัม” ธุรกรรมการวิจัยการเรียนรู้ของเครื่อง (2023) url: https:///openreview.net/forum?id=A1N2qp4yAq.
https:///openreview.net/forum?id=A1N2qp4yAq

[55] Hsin-Yuan Huang, Michael Broughton, Jordan Cotler, Sitan Chen, Jerry Li, Masoud Mohseni, Hartmut Neven, Ryan Babbush, Richard Kueng, John Preskill และ Jarrod R. McClean “ข้อได้เปรียบทางควอนตัมในการเรียนรู้จากการทดลอง” วิทยาศาสตร์ 376, 1182–1186 (2022)
https://doi.org/10.1126/science.abn7293

[56] ซิถัน เฉิน, จอร์แดน คอตเลอร์, ซิน-หยวน ฮวง และเจอร์รี่ ลี “การแยกแบบเอ็กซ์โปเนนเชียลระหว่างการเรียนรู้ที่มีและไม่มีหน่วยความจำควอนตัม” ในปี 2021 การประชุมสัมมนาประจำปี IEEE ครั้งที่ 62 เกี่ยวกับรากฐานของวิทยาการคอมพิวเตอร์ (FOCS) หน้า 574–585. (2022)
https://doi.org/10.1109/FOCS52979.2021.00063

[57] ซิน-หยวน ฮวง, ริชาร์ด กึง และจอห์น เพรสสกิล “ขอบเขตทางทฤษฎีสารสนเทศเกี่ยวกับความได้เปรียบทางควอนตัมในการเรียนรู้ของเครื่อง” ฟิสิกส์ สาธุคุณเลตต์. 126, 190505 (2021)
https://doi.org/10.1103/PhysRevLett.126.190505

[58] Ville Bergholm, Josh Izaac, Maria Schuld, Christian Gogolin, M. Sohaib Alam, Shahnawaz Ahmed, Juan Miguel Arrazola, Carsten Blank, Alain Delgado, Soran Jahangiri, Keri McKiernan, Johannes Jakob Meyer, Zeyue Niu, Antal Száva และ Nathan Killoran “เพนนีเลน: การสร้างความแตกต่างโดยอัตโนมัติของการคำนวณควอนตัมคลาสสิกแบบไฮบริด” (2018) arXiv:1811.04968.
arXiv: 1811.04968

[59] ปีเตอร์ แอล. บาร์ตเลตต์, ฟิลิป เอ็ม. ลอง, กาบอร์ ลูโกซี และอเล็กซานเดอร์ ซิกเลอร์ “การถดถอยเชิงเส้นแบบอ่อนโยน” โปรค Natl. อคาด. วิทยาศาสตร์ 117, 30063–30070 (2020)
https://doi.org/10.1073/pnas.1907378117

[60] วลาดิมีร์ โคลชินสกี้ และคาริม ลูนิซี “ความไม่เท่าเทียมกันของความเข้มข้นและขอบเขตโมเมนต์สำหรับตัวดำเนินการความแปรปรวนร่วมตัวอย่าง” เบอร์นูลลี 23, 110 – 133 (2017)
https:///doi.org/10.3150/15-BEJ730

[61] ซบิกนิว ปูชาลา และ ยาโรสลาฟ อดัม มิสซ์แซค “การบูรณาการเชิงสัญลักษณ์ที่เกี่ยวข้องกับการวัด Haar ในกลุ่มที่รวมกัน” วัว. พล.ต. อคาด. วิทยาศาสตร์ 65, 21–27 (2017)
https://doi.org/10.1515/bpasts-2017-0003

[62] แดเนียล เอ. โรเบิร์ตส์ และเบนิ โยชิดะ. “ความโกลาหลและความซับซ้อนจากการออกแบบ” เจ ฟิสิกส์พลังงานสูง 2017, 121 (2017).
https://doi.org/10.1007/jhep04(2017)121

[63] วอลเลซ ซี. แบ็บค็อก. “การรบกวนความถี่ของระบบวิทยุที่เกิดขึ้นและการควบคุมโดยการเลือกช่องสัญญาณ” ระบบเบลล์ เทคโนโลยี เจ 32, 63–73 (1953)
https://doi.org/10.1002/j.1538-7305.1953.tb01422.x

[64] เอ็ม. แอตกินสัน, เอ็น. ซานโตโร และเจ. อูรูเทีย “ชุดจำนวนเต็มซึ่งมีผลรวมและผลต่างที่แตกต่างกัน และการกำหนดความถี่พาหะสำหรับตัวทำซ้ำแบบไม่เชิงเส้น” IEEE ทรานส์ ชุมชน 34, 614–617 (1986)
https://doi.org/10.1109/TCOM.1986.1096587

[65] เจ. โรบินสัน และเอ. เบิร์นสไตน์. “คลาสของรหัสไบนารีที่เกิดซ้ำซึ่งมีการแพร่กระจายข้อผิดพลาดที่จำกัด” IEEE ทรานส์ ข้อมูล 13, 106–113 (พ.ศ. 1967)
https://doi.org/10.1109/TIT.1967.1053951

[66] อาร์.เจ.เอฟ. ฟาง และ ดับเบิลยู.เอ. แซนดริน. “การกำหนดความถี่ของผู้ให้บริการสำหรับตัวทวนแบบไม่เชิงเส้น” การทบทวนทางเทคนิคของ COMSAT 7, 227–245 (1977)

อ้างโดย

[1] Alexey Melnikov, Mohammad Kordzanganeh, Alexander Alodjants และ Ray-Kuang Lee, “การเรียนรู้ของเครื่องควอนตัม: จากฟิสิกส์ไปจนถึงวิศวกรรมซอฟต์แวร์”, ความก้าวหน้าทางฟิสิกส์ X 8 1, 2165452 (2023).

[2] Mo Kordzanganeh, Pavel Sekatski, Leonid Fedichkin และ Alexey Melnikov, “ตระกูลวงจรควอนตัมสากลที่เติบโตอย่างทวีคูณ”, การเรียนรู้ของเครื่อง: วิทยาศาสตร์และเทคโนโลยี 4 3, 035036 (2023).

[3] Stefano Mangini “อัลกอริธึมควอนตัมที่หลากหลายสำหรับการเรียนรู้ของเครื่อง: ทฤษฎีและการประยุกต์”, arXiv: 2306.09984, (2023).

[4] Ben Jaderberg, Antonio A. Gentile, Youssef Achari Berrada, Elvira Shishenina และ Vincent E. Elfving, “ให้เครือข่ายประสาทควอนตัมเลือกความถี่ของตนเอง”, arXiv: 2309.03279, (2023).

[5] Yuxuan Du, Yibo Yang, Dacheng Tao และ Min-Hsiu Hsieh, “พลังที่ขึ้นอยู่กับปัญหาของโครงข่ายประสาทเทียมควอนตัมในการจำแนกประเภทหลายคลาส”, จดหมายทบทวนทางกายภาพ 131 14, 140601 (2023).

[6] S. Shin, Y.S. Teo และ H. Jeong, “การเข้ารหัสข้อมูลเอ็กซ์โพเนนเชียลสำหรับการเรียนรู้แบบมีผู้สอนควอนตัม”, การตรวจร่างกาย A 107 1, 012422 (2023).

[7] Elies Gil-Fuster, Jens Eisert และ Carlos Bravo-Prieto "การทำความเข้าใจการเรียนรู้ของเครื่องควอนตัมยังต้องมีการคิดใหม่เกี่ยวกับภาพรวม" arXiv: 2306.13461, (2023).

[8] Jason Iaconis และ Sonika Johri, “การโหลดรูปภาพข้อมูลควอนตัมที่มีประสิทธิภาพบนเครือข่ายเทนเซอร์”, arXiv: 2310.05897, (2023).

[9] Alice Barthe และ Adrián Pérez-Salinas, “การไล่ระดับสีและโปรไฟล์ความถี่ของโมเดลการอัปโหลดซ้ำควอนตัม”, arXiv: 2311.10822, (2023).

[10] Tobias Haug และ MS Kim, “ลักษณะทั่วไปด้วยเรขาคณิตควอนตัมเพื่อการเรียนรู้แบบรวม”, arXiv: 2303.13462, (2023).

[11] Jonas Landman, Slimane Thabet, Constantin Dalyac, Hela Mhiri และ Elham Kashefi, “การเรียนรู้ของเครื่องควอนตัมแบบแปรผันโดยประมาณแบบคลาสสิกพร้อมคุณสมบัติฟูเรียร์แบบสุ่ม”, arXiv: 2210.13200, (2022).

[12] Berta Casas และ Alba Cervera-Lierta, “ซีรีส์ฟูริเยร์หลายมิติพร้อมวงจรควอนตัม”, การตรวจร่างกาย A 107 6, 062612 (2023).

[13] Elies Gil-Fuster, Jens Eisert และ Vedran Dunjko, “เกี่ยวกับการแสดงออกของการฝังเคอร์เนลควอนตัม”, arXiv: 2309.14419, (2023).

[14] Lucas Slattery, Ruslan Shaydulin, Shouvanik Chakrabarti, Marco Pistoia, Sami Khairy และ Stefan M. Wild, “หลักฐานเชิงตัวเลขที่ต่อต้านความได้เปรียบด้วยเคอร์เนลความเที่ยงตรงของควอนตัมในข้อมูลคลาสสิก”, การตรวจร่างกาย A 107 6, 062417 (2023).

[15] Mo Kordzanganeh, Daria Kosichkina และ Alexey Melnikov, “Parallel Hybrid Networks: การทำงานร่วมกันระหว่างควอนตัมและโครงข่ายประสาทเทียมแบบคลาสสิก”, arXiv: 2303.03227, (2023).

[16] Aikaterini, Gratsea และ Patrick Huembeli, “ผลกระทบของตัวดำเนินการประมวลผลและการวัดต่อพลังการแสดงออกของแบบจำลองควอนตัม”, arXiv: 2211.03101, (2022).

[17] ชุน โอคุมุระ และมาซายูกิ โอเซกิ “ค่าสัมประสิทธิ์ฟูริเยร์ของวงจรควอนตัมที่กำหนดพารามิเตอร์และปัญหาที่ราบสูงที่แห้งแล้ง”, arXiv: 2309.06740, (2023).

[18] Massimiliano Incudini, Michele Grossi, Antonio Mandarino, Sofia Vallecorsa, Alessandra Di Pierro และ David Windridge, “เคอร์เนลเส้นทางควอนตัม: เคอร์เนล Tangent Neural Tangent ทั่วไปสำหรับการเรียนรู้เครื่องควอนตัมเชิงลึก”, arXiv: 2212.11826, (2022).

(19) Jorja J. Kirk, Matthew D. Jackson, Daniel J. M. King, Philip Intallura และ Mekena Metcalf, “คำสั่งฉุกเฉินในการนำเสนอข้อมูลคลาสสิกเกี่ยวกับโมเดล Ising Spin”, arXiv: 2303.01461, (2023).

[20] Francesco Scala, Andrea Ceschini, Massimo Panella และ Dario Gerace, “แนวทางทั่วไปในการออกจากเครือข่ายประสาทควอนตัม”, arXiv: 2310.04120, (2023).

[21] Julian Berberich, Daniel Fink, Daniel Pranjić, Christian Tutschku และ Christian Holm, “การฝึกอบรมโมเดลควอนตัมที่แข็งแกร่งและสามารถสรุปได้ทั่วไป”, arXiv: 2311.11871, (2023).

การอ้างอิงข้างต้นมาจาก are อบต./นาซ่าโฆษณา (ปรับปรุงล่าสุดสำเร็จ 2023-12-21 00:40:54 น.) รายการอาจไม่สมบูรณ์เนื่องจากผู้จัดพิมพ์บางรายไม่ได้ให้ข้อมูลอ้างอิงที่เหมาะสมและครบถ้วน

On บริการอ้างอิงของ Crossref ไม่พบข้อมูลอ้างอิงงาน (ความพยายามครั้งสุดท้าย 2023-12-21 00:40:53)

บทความนี้เผยแพร่ใน Quantum ภายใต้ the ครีเอทีฟคอมมอนส์แบบแสดงที่มา 4.0 สากล (CC BY 4.0) ใบอนุญาต ลิขสิทธิ์ยังคงอยู่กับผู้ถือลิขสิทธิ์ดั้งเดิม เช่น ผู้เขียนหรือสถาบันของพวกเขา

เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
ที่มา: https://quantum-journal.org/papers/q-2023-12-20-1210/

ประทับเวลา: December 20, 2023

ประทับเวลา: ม.ค. 26, 2023

ลักษณะทั่วไปแม้จะมีการใช้โมเดลการเรียนรู้ของเครื่องควอนตัมมากเกินไปก็ตาม

เผยแพร่ซ้ำโดยเพลโต

นามธรรม

► ข้อมูล BibTeX

► ข้อมูลอ้างอิง

อ้างโดย

เพิ่มเติมจาก วารสารควอนตัม

สถานะผลิตภัณฑ์เมทริกซ์เชิงอนุพันธ์สำหรับการจำลองเคมีคำนวณควอนตัมแบบแปรผัน

การเตรียมสถานะแผลเป็นหลายร่างกายของควอนตัมบนคอมพิวเตอร์ควอนตัม

การเปลี่ยนแปลงของสเตบิไลเซอร์ในเครือข่ายควอนตัม

การจำลองควอนตัมแบบอะนาล็อกพร้อมคิวบิตทรานส์มอนความถี่คงที่

การเร่งปฏิกิริยาโควาเรียนต้องใช้สหสัมพันธ์และกรอบอ้างอิงควอนตัมที่ดีจะลดลงเล็กน้อย

การป้องกันการคัดลอกควอนตัมของโปรแกรมคำนวณและเปรียบเทียบในโมเดล Oracle แบบสุ่มควอนตัม

การเพิ่มประสิทธิภาพพัลส์การควบคุมไบนารีสำหรับระบบควอนตัม

ข้อเสนอการทดสอบที่ปรับปรุงการพัวพันสำหรับการละเมิดความสมมาตร Lorentz ในพื้นที่ผ่านอะตอมของสปินเนอร์

แผนที่เชิงบวกโดยสิ้นเชิงสำหรับระบบควอนตัมที่ขับเคลื่อนด้วยเสียงรบกวนซึ่งได้มาจากการขยายตัวของ Keldysh

การควบคุมที่เหมาะสมที่สุดของ Variational Quantum แบบพัลส์สำหรับการคำนวณควอนตัมแบบไฮบริด

เกี่ยวกับเรา

การค้นหาแนวตั้ง & Ai

ระบบปฏิบัติการ

การติดต่อ

ลงชื่อเข้าใช้