基于非经典可模拟特征映射的HQC架构量子机器学习
量子物理
2024-04-16 v2 机器学习
摘要
混合量子-经典(HQC)架构被用于近期NISQ量子计算机以解决量子机器学习问题。由于相较经典计算提供了指数级加速,量子优势得以显现。实现此类算法的主要挑战之一是量子嵌入的选择以及功能正确的量子变分电路的使用。在本文中,我们提出了QSVM(量子支持向量机)的一种应用,利用来自OSMI心理健康技术调查的数据集,预测某人未来在科技界是否需要心理健康治疗。我们使用非经典可模拟特征映射实现了这一点,并证明用于量子机器学习的NISQ HQC架构可替代地用于在实际近期应用中创建性能良好的模型。
引用
@article{arxiv.2103.11381,
title = {Quantum Machine Learning with HQC Architectures using non-Classically Simulable Feature Maps},
author = {Syed Farhan Ahmad and Raghav Rawat and Minal Moharir},
journal= {arXiv preprint arXiv:2103.11381},
year = {2024}
}
备注
The results from an actual hardware are not performant enough and do not match up with that of the simulator. Moreover, hyperparameter is not considered