量子机器学习的基础
化学物理
2018-07-17 v2 计算物理
摘要
在过去几年中，我们见证了量子机器学习（QML）模型的兴起，这些模型推断分子和材料的电子性质，而非求解电子薛定谔方程的近似。大量量子力学参考数据集的日益可用促成了这些进展。我们回顾了流行的 QML 模型的基本理论和关键要素，例如回归器的选择、不同可信度数据、表示的作用以及训练集选择的影响。我们始终强调学习曲线在比较评估不同 QML 模型时不可或缺的作用。
引用
@article{arxiv.1807.04259,
title = {The fundamentals of quantum machine learning},
author = {Bing Huang and Nadine O. Symonds and O. Anatole von Lilienfeld},
journal= {arXiv preprint arXiv:1807.04259},
year = {2018}
}
备注
Published in Handbook of Materials Modeling (2018), https://doi.org/10.1007/978-3-319-42913-7_67-1