量子核生成中的若干适应度函数与纠缠门
量子物理
2023-11-21 v3 机器学习
摘要
量子机器学习(QML)代表了量子技术中一个有前景的前沿方向。在追求量子优势的过程中,用于支持向量机的量子核方法已成为一种强有力的途径。纠缠作为量子力学中的基本概念,在量子计算中占据核心地位。本文通过多目标遗传算法研究量子核特征映射中纠缠门的最优数量。我们区分遗传算法中针对纠缠的非局域门与局域门的适应度函数,以深入理解采用纠缠门的益处。我们的实验表明,量子核方法的最优量子电路配置包含成比例数量的非局域纠缠门。该结果补充了先前关于量子核生成的文献,其中非局域门在很大程度上被抑制。此外,我们证明数据的可分离性指标可用于估计量子支持向量机特征映射所需的非局域门数量。这一见解有助于基于数据分析在诸如 https://qiskit.org/ 等各类量子编程包中选择合适参数(如纠缠参数)。我们的发现为提升量子机器学习算法的效率与精度提供了有价值的指导。
引用
@article{arxiv.2309.03307,
title = {Several fitness functions and entanglement gates in quantum kernel generation},
author = {Haiyan Wang},
journal= {arXiv preprint arXiv:2309.03307},
year = {2023}
}