基于克尔非线性参量振荡器的可表达量子监督机器学习
量子物理
2024-03-06 v2
摘要
基于变分量子算法（VQA）的量子机器学习作为噪声中等规模量子（NISQ）时代的一种实用算法已被积极研究。近期研究揭示，在常规量子计算架构中，为获得可表达的量子机器学习模型，将数据反复编码进量子电路的数据重上传是必要的。然而，数据重上传往往需要大量量子资源，这促使我们寻找一种替代策略以高效实现可表达的量子机器学习。本文中，我们提出使用克尔非线性参量振荡器（KPOs）的量子机器学习，作为另一种有前景的量子计算器件。其核心思想是不仅使用基态和第一激发态，还使用更高激发态，这使得即便仅有一个 KPO 也能利用很大的希尔伯特空间。我们的数值模拟表明，仅用单个 KPO 模式的方法其可表达性远高于使用六个量子比特的常规方法。我们的结果为迈向资源高效的量子机器学习铺平了道路，而这正是 NISQ 时代实际应用所必需的。
引用
@article{arxiv.2305.00688,
title = {Expressive Quantum Supervised Machine Learning using Kerr-nonlinear Parametric Oscillators},
author = {Yuichiro Mori and Kouhei Nakaji and Yuichiro Matsuzaki and Shiro Kawabata},
journal= {arXiv preprint arXiv:2305.00688},
year = {2024}
}
备注
13 pages, 8 figures