在量子器件校准中站在巨人肩膀上提升性能
量子物理
2020-05-14 v1 机器学习
机器学习
摘要
传统的机器学习应用，如光学字符识别，源于无法显式编程计算机来执行常规任务。在此背景下，学习算法通常仅从海量数据集中存在的证据推导模型。然而在某些科学学科中，获取大量数据是一种不切实际的奢侈，但基于先前科学发现存在该领域的显式模型。此处我们引入一种能够利用先前科学发现以改进科学模型泛化能力的新机器学习方法。我们展示了其在预测超导量子器件上哈密顿量的整个能谱方面的有效性，这是当前量子计算机校准中的一项关键任务。我们的精度超越当前最先进水平（SOTA）逾 。因此，我们的方法展示了人工智能如何能通过“站在巨人肩膀上”得到进一步增强。
引用
@article{arxiv.2005.06194,
title = {Boosting on the shoulders of giants in quantum device calibration},
author = {Alex Wozniakowski and Jayne Thompson and Mile Gu and Felix Binder},
journal= {arXiv preprint arXiv:2005.06194},
year = {2020}
}