面向 NISQ 时代量子核能力理解
量子物理
2021-09-01 v2 机器学习
摘要
量子计算领域的一个关键问题是理解在含噪声中等规模量子（NISQ）机器上实现的量子机器学习（QML）模型能否实现量子优势。最近，Huang 等人 [Nat Commun 12, 2631] 通过量子核学习的视角部分回答了这一问题。即他们证明，相较于最优经典核方法，量子核能够以更低的泛化误差学习特定数据集。然而，他们的大部分结果建立在理想设定上，并忽略了近 term 量子机器的缺陷。为此，一个关键的开放问题是：在 NISQ 设定下量子核的能力是否仍然成立？在本研究中，我们考虑量子系统噪声和采样误差，利用量子核的能力填补了这一知识空白。具体地，我们首先证明，对于大规模数据集、少量测量次数和较大系统噪声，量子核的优势会消失。为了在 NISQ 时代保持量子核的优越性，我们进一步通过不定核学习设计了一种有效方法。数值模拟与我们的理论结果一致。我们的工作为探索先进量子核以在 NISQ 设备上获得量子优势提供了理论指导。
引用
@article{arxiv.2103.16774,
title = {Towards understanding the power of quantum kernels in the NISQ era},
author = {Xinbiao Wang and Yuxuan Du and Yong Luo and Dacheng Tao},
journal= {arXiv preprint arXiv:2103.16774},
year = {2021}
}