学分：近年来IBM研究，几个计算机科学家和物理学家一直探索量子增强机学习算法的潜力
作为他们的名字表明，量子机器学习方法将量子算法与机器学习技术相结合调查量子机器学习算法的大多数研究人员一直试图了解它们是否可以更快地解决任务，而不是传统的机器学习技术
机器学习算法通常训练以完成的任务之一是分类任务，例如安排图像进入不同的类别或准确地对图像中的特定对象或生物生物进行分类
中的机器学习算法中，以实现分类任务的有希望结果的是内核方法，包括一个名为支持 - 向量机的知名监督学习技术
在过去几年中，一些SC因此，专门从事量子算法专门的IENTIST师已经探索了量子内核方法的潜力，这是由HAVLICEK及其同事在IBM
IBM量子的研究人员最近进行了一项进一步调查量子内核的研究的研究方法
本文在自然物理学中公布，表明这些方法可以通过传统的核方法提供鲁棒量子加速“”尽管量子核方法的普及，但基本问题仍未得到答复：量子计算机可以采用内核方法，以提供古典学习算法的可提供优势吗？“ Srinivasan Arunachalam是一项进行该研究的研究人员，告诉Phys
org
“这个问题是我们工作的起点
在这个自然的物理论文中，随着我的合作者刘和克里斯坦温泉，我们在肯定的情况下解决了这个问题
“作为他们的一部分学习，ArunachAlam和他的同事构建了一个分类问题，可以用来严格评估启发式量子内核方法
使用这个问题作为示例，他们证明了可以对一组点分类的量子内核算法存在当在相同的数据上训练并在容错机上实现时比经典算法更快
在研究人员考虑的量子内核方法中，Quantum计算机介入以运行所有算法的计算，除了一个特定部分
给定一组经典数据点，例如由经典计算机生成的比特字符串，量子内核方法将它们映射到更高的维度空间中，其中量子计算机可以使用称为量子内核估计（QKE）
“的技术在数据和提取特征中找到数据和提取特征的模式，以便使用该技术Quantum和古典核之间的分离，我们的起点是一个众所周知的问题，通常用于分离经典和量子计算，离散对数问题“ArunacHALAM表示
“使用着名的SHOR算法在量子计算机上的多项式时间中可以求解该问题，但被强烈地认为每个古典算法需要超时时间”ARUNACHALAM和他的同事首先构建基于离散对数问题的硬度的分类问题
有趣的是，他们表明，通过所有经典机器学习技术实现的性能是最糟糕的或等于随机猜测的远离令人满意的
“随后，我们构建了一个内核函数，将这些经典数据点映射到复杂的高维特征空间上，并显示QKE可以在PO中非常高精度地解决这个分类问题“Arunachalam表示
”“额外的奖励是，我们能够表明即使在进行测量的同时存在有限的采样噪声，我们也能够存在这种量子加速，这是近期甚至近期的重要考虑因素容错量子计算机
“过去的研究引入了几种新量子算法，这些量子算法可以更快地解决分类任务的速度比传统机器学习技术更快
然而，大多数这些算法需要强大的输入假设来实现有前途的投入假设结果或研究人员无法严格展示其优于经典的机器学习技术
“”我们的QKE算法可以被视为在故障对的Quantum内核方法的端到端量子优势。Lerant Device（具有现实的假设），因为我们从中间使用量子计算机开始进行古典数据点并对分类问题产生分类问题，“ArunachAlam表示
”当然，这不是结束在路上，而不是进一步了解量子核的理由更好“”研究人员的最新工作提供了一个确认，即量子内核方法可以帮助完成分类任务更快，更有效地
在他们未来的研究中，ArunachAlam和他的同事计划调查使用这些算法解决现实世界分类问题的可能性
“”我们用于证明这一优势的分类问题是人工构造的，以提供一个Quantum核的有用性的理论支撑，“ArunachAlam表示”“使用量子核来说，使用量子内核方法获得其他（希望）实际相关问题
我们相信我们的结果是有趣的是因为它为我们提供了一个可以从内核方法中受益的更多学习问题的方向
在我们未来的工作中，我们希望了解我们的分类问题的结构是多么广泛，如果可以获得进一步的加速度使用类似的结构
“
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
