用于参数化量子电路机器学习的代价函数嵌入与数据集编码
量子物理
2020-05-13 v1
摘要
机器学习被视为量子计算的一个有前景的应用。对于近期含噪中等规模量子（NISQ）设备，参数化量子电路（PQC）因其鲁棒性和易实现性而被提议作为机器学习模型。然而，代价函数通常由重复测量结果的经典计算获得，从而不再编码于量子态中。这阻止了该值被量子计算机直接操控。为解决这个问题，我们给出一种将机器学习的代价函数嵌入量子电路的例程，其接受以叠加态或易制备混合态编码的训练数据集。我们还展示了在量子态中评估所编码代价函数梯度的能力。
引用
@article{arxiv.1910.03902,
title = {Cost function embedding and dataset encoding for machine learning with parameterized quantum circuits},
author = {Shuxiang Cao and Leonard Wossnig and Brian Vlastakis and Peter Leek and Edward Grant},
journal= {arXiv preprint arXiv:1910.03902},
year = {2020}
}