1گروه فیزیک، دانشگاه واترلو، واترلو، ON، N2L 3G1، کانادا
2موسسه محاسبات کوانتومی، واترلو، ON، N2L 3G1، کانادا
3موسسه محیطی برای فیزیک نظری، واترلو، انتاریو، N2L 2Y5، کانادا
4Xanadu، تورنتو، ON، M5G 2C8، کانادا
این مقاله را جالب می دانید یا می خواهید بحث کنید؟ SciRate را ذکر کنید یا در SciRate نظر بدهید.
چکیده
موفقیت گسترده شبکههای عصبی عمیق یک شگفتی را در یادگیری ماشین کلاسیک آشکار کرده است: مدلهای بسیار پیچیده اغلب به خوبی تعمیم مییابند در حالی که به طور همزمان دادههای آموزشی را بیش از حد برازش میدهند. این پدیده اضافه برازش خوش خیم برای انواع مدل های کلاسیک با هدف درک بهتر مکانیسم های پشت یادگیری عمیق مورد مطالعه قرار گرفته است. مشخص کردن این پدیده در زمینه یادگیری ماشین کوانتومی ممکن است به طور مشابه درک ما را از رابطه بین برازش بیش از حد، پارامترسازی بیش از حد و تعمیم بهبود بخشد. در این کار، ما توصیفی از بیش برازش خوش خیم در مدلهای کوانتومی ارائه میکنیم. برای انجام این کار، ما رفتار یک مدل کلاسیک درون یابی فوریه را برای رگرسیون در سیگنالهای نویز استخراج میکنیم و نشان میدهیم که چگونه یک کلاس از مدلهای کوانتومی ویژگیهای مشابهی را نشان میدهند، در نتیجه ساختار مدارهای کوانتومی (مانند عملیات رمزگذاری داده و آمادهسازی حالت) را به هم مرتبط میکنند. ) بیش از حد پارامتر و برازش در مدل های کوانتومی. ما به طور شهودی این ویژگیها را با توجه به توانایی مدل کوانتومی برای درونیابی دادههای پر سر و صدا با رفتار محلی «مسیخدار» توضیح میدهیم و نمونهای ملموس از برازش خوش خیم ارائه میکنیم.
► داده های BibTeX
◄ مراجع
[1] مایکل آ نیلسن. "شبکه های عصبی و یادگیری عمیق". پرس تعیین. (2015). آدرس اینترنتی: http://neuralnetworksanddeeplearning.com/.
http://neuralnetworksanddeeplearning.com/
[2] استوارت جمن، الی بیننستاک و رنه دورست. "شبکه های عصبی و معضل سوگیری/واریانس". محاسبات عصبی 4، 1-58 (1992).
https://doi.org/10.1162/neco.1992.4.1.1
[3] تروور هستی، رابرت تبشیرانی، جروم اچ فریدمن و جروم اچ فریدمن. عناصر یادگیری آماری: داده کاوی، استنتاج و پیش بینی جلد 2. Springer. (2009).
https://doi.org/10.1007/978-0-387-84858-7
[4] پیتر ال. بارتلت، آندره آ مونتاناری و الکساندر راخلین. یادگیری عمیق: دیدگاه آماری Acta Numerica 30, 87–201 (2021).
https://doi.org/10.1017/S0962492921000027
[5] میخائیل بلکین. "تناسب بدون ترس: پدیده های ریاضی قابل توجه یادگیری عمیق از طریق منشور درون یابی". Acta Numerica 30, 203–248 (2021).
[6] پیتر ال. بارتلت، فیلیپ ام. لانگ، گابور لوگوسی و الکساندر تسیگلر. "بیش برازش خوش خیم در رگرسیون خطی". Proc. Natl. آکادمی علمی 117, 30063–30070 (2020).
https://doi.org/10.1073/pnas.1907378117
[7] میخائیل بلکین، دانیل هسو، سیوان ما، و سومیک ماندال. "تطبیق تمرین مدرن یادگیری ماشینی و مبادله تعصب-واریانس کلاسیک". Proc. Natl. آکادمی علمی 116، 15849–15854 (2019).
https://doi.org/10.1073/pnas.1903070116
[8] میخائیل بلکین، الکساندر راخلین، و الکساندر بی. تسیباکوف. "آیا درون یابی داده ها با بهینگی آماری در تضاد است؟" در مجموعه مقالات تحقیقات یادگیری ماشین. جلد 89، صفحات 1611-1619. PMLR (2019). آدرس اینترنتی: https://proceedings.mlr.press/v89/belkin19a.html.
https://proceedings.mlr.press/v89/belkin19a.html
[9] ویدیا موتوکومار، کایلاس وودراهالی، ویگنش سوبرامانیان و آنانت ساهای. درون یابی بی ضرر داده های پر سر و صدا در رگرسیون. مجله IEEE در زمینه های انتخاب شده در نظریه اطلاعات 1، 67-83 (2020).
https://doi.org/10.1109/ISIT.2019.8849614
[10] ویدیا موتوکومار، آدییان نارنگ، ویگنش سوبرامانیان، میخائیل بلکین، دانیل هسو و آنانت ساهای. "طبقه بندی در مقابل رگرسیون در رژیم های بیش پارامتری: آیا تابع ضرر اهمیت دارد؟". جی. ماخ. فرا گرفتن. Res. 22، 1-69 (2021). آدرس اینترنتی: http://jmlr.org/papers/v22/20-603.html.
http://jmlr.org/papers/v22/20-603.html
[11] یهودا دار، ویدیا موتوکومار، و ریچارد جی. بارانیوک. «خداحافظی با مبادله تعصب و واریانس؟ مروری بر تئوری یادگیری ماشینی بیش از حد پارامتر شده» (2021). arXiv:2109.02355.
arXiv: 2109.02355
[12] مارچلو بندیتی، اریکا لوید، استفان ساک و ماتیا فیورنتینی. مدارهای کوانتومی پارامتری به عنوان مدل های یادگیری ماشینی علوم کوانتومی تکنولوژی 4, 043001 (2019).
https://doi.org/10.1088/2058-9565/ab4eb5
[13] K. Mitarai، M. Negoro، M. Kitagawa، و K. Fujii. "یادگیری مدار کوانتومی". فیزیک Rev. A 98, 032309 (2018).
https://doi.org/10.1103/physreva.98.032309
[14] ماریا شولد، ویل برگهولم، کریستین گوگولین، جاش ایزاک و ناتان کیلوران. "ارزیابی گرادیان های تحلیلی بر روی سخت افزار کوانتومی". فیزیک Rev. A 99, 032331 (2019).
https://doi.org/10.1103/physreva.99.032331
[15] ماریا شولد و ناتان کیلوران "یادگیری ماشین کوانتومی در فضاهای هیلبرت ویژگی". فیزیک کشیش لِت 122, 040504 (2019).
https://doi.org/10.1103/physrevlett.122.040504
[16] Vojtěch Havlíček، Antonio D. Córcoles، Kristan Temme، Aram W. Harrow، Abhinav Kandala، Jerry M. Chow و Jay M. Gambetta. "یادگیری تحت نظارت با فضاهای ویژگی های پیشرفته کوانتومی". Nature 567, 209–212 (2019).
https://doi.org/10.1038/s41586-019-0980-2
[17] ست لوید و کریستین ویدبروک "یادگیری متخاصم مولد کوانتومی". فیزیک کشیش لِت 121, 040502 (2018).
https://doi.org/10.1103/physrevlett.121.040502
[18] پیر-لوک دالر-دمرز و ناتان کیلوران. "شبکه های متخاصم مولد کوانتومی". فیزیک Rev. A 98, 012324 (2018).
https://doi.org/10.1103/physreva.98.012324
[19] امیرا عباس، دیوید ساتر، کریستا زوفال، اورلین لوچی، آلسیو فیگالی و استفان وورنر. "قدرت شبکه های عصبی کوانتومی". نات. محاسبه کنید. علمی 1, 403-409 (2021).
https://doi.org/10.1038/s43588-021-00084-1
[20] لوگان جی رایت و پیتر ال. مک ماهون. ظرفیت شبکه های عصبی کوانتومی در کنفرانس 2020 لیزر و الکترواپتیک (CLEO). صفحات 1-2. (2020). آدرس اینترنتی: https://ieeexplore.ieee.org/document/9193529.
https://ieeexplore.ieee.org/document/9193529
[21] سوکین سیم، پیتر دی. جانسون، و آلان آسپورو-گوزیک. «قابلیت بیان و درهمتنیدگی مدارهای کوانتومی پارامتری برای الگوریتمهای کوانتومی-کلاسیک ترکیبی». Adv. فناوری کوانتومی 2, 1900070 (2019).
https://doi.org/10.1002/qute.201900070
[22] توماس هوبرگتسن، یوزف پیچلمایر، پاتریک استچر و کوئن برتلز. "ارزیابی مدارهای کوانتومی پارامتری شده: در مورد رابطه بین دقت طبقه بندی، قابلیت بیان و قابلیت درهم تنیدگی". کوانتوم ماخ هوشمند 3، 1 (2021).
https://doi.org/10.1007/s42484-021-00038-w
[23] Jarrod R McClean، Sergio Boixo، Vadim N Smelyanskiy، Ryan Babbush و Hartmut Neven. "فلات های بی حاصل در مناظر آموزشی شبکه عصبی کوانتومی". نات. اشتراک. 9, 4812 (2018).
https://doi.org/10.1038/s41467-018-07090-4
[24] مارکو سرزو، آکیرا سونه، تایلر ولکوف، لوکاس سینسیو و پاتریک جی کولز. "فلات های بی حاصل وابسته به تابع هزینه در مدارهای کوانتومی پارامتری کم عمق". نات. اشتراک. 12، 1791 (2021).
https://doi.org/10.1038/s41467-021-21728-w
[25] ماتیاس سی کارو، الیز گیل فوستر، یوهانس یاکوب مایر، ینس ایسرت و رایان سوکه. "کروان تعمیم وابسته به رمزگذاری برای مدارهای کوانتومی پارامتری شده". Quantum 5, 582 (2021).
https://doi.org/10.22331/q-2021-11-17-582
[26] هسین یوان هوانگ، مایکل بروتون، مسعود محسنی، رایان بابوش، سرجیو بویکسو، هارتموت نون و جارود آر مککلین. "قدرت داده در یادگیری ماشین کوانتومی". نات. اشتراک. 12, 2631 (2021).
https://doi.org/10.1038/s41467-021-22539-9
[27] ماتیاس سی. کارو، هسین یوان هوانگ، ام. سرزو، کونال شارما، اندرو سورنبورگر، لوکاس سینسیو، و پاتریک جی. کولز. "تعمیم در یادگیری ماشین کوانتومی از چند داده آموزشی". نات. اشتراک. 13, 4919 (2022).
https://doi.org/10.1038/s41467-022-32550-3
[28] لئوناردو بانچی، جیسون پریرا و استفانو پیراندولا. "تعمیم در یادگیری ماشین کوانتومی: دیدگاه اطلاعات کوانتومی". PRX Quantum 2, 040321 (2021).
https://doi.org/10.1103/PRXQuantum.2.040321
[29] فرانسیسکو خاویر گیل ویدال و دیرک الیور تیس. افزونگی ورودی برای مدارهای کوانتومی پارامتر شده جلو. فیزیک 8, 297 (2020).
https://doi.org/10.3389/fphy.2020.00297
[30] ماریا شولد، رایان سوکه و یوهانس یاکوب مایر. "تأثیر رمزگذاری داده ها بر قدرت بیان مدل های کوانتومی-ماشین-یادگیری متغیر". فیزیک Rev. A 103, 032430 (2021).
https://doi.org/10.1103/physreva.103.032430
[31] دیوید ویریکس، جاش ایزاک، کودی وانگ و سدریک ین یو لین. "قوانین عمومی تغییر پارامتر برای گرادیان های کوانتومی". Quantum 6, 677 (2022).
https://doi.org/10.22331/q-2022-03-30-677
[32] کندال ای اتکینسون. "مقدمه ای بر تحلیل عددی". جان وایلی و پسران (2008).
[33] علی رحیمی و بنیامین رشت. "ویژگی های تصادفی برای ماشین های هسته در مقیاس بزرگ". در پیشرفت در سیستم های پردازش اطلاعات عصبی. جلد 20. (2007). آدرس اینترنتی: https://papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392effeb8f18fda755-Abstract.html.
https://papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392effeb8f18fda755-Abstract.html
[34] والتر رودین. قضایای اساسی تحلیل فویر جان وایلی و پسران، آموزشی ویبولیتین (1990).
https://doi.org/10.1002/9781118165621.ch1
[35] آهنگ می و آندریا مونتاناری. "خطای تعمیم رگرسیون ویژگی های تصادفی: مجانبی دقیق و منحنی نزول دوگانه". اشتراک. Pure Appl. ریاضی. 75، 667-766 (2022).
https://doi.org/10.1002/cpa.22008
[36] تروور هستی، آندره آ مونتاناری، ساهارون روست و رایان جی تیبشیرانی. "غافلگیری در درونیابی حداقل مربعات بدون برجستگی با ابعاد بالا". ان آمار 50، 949 - 986 (2022).
https://doi.org/10.1214/21-AOS2133
[37] Tengyuan Liang، Alexander Rakhlin، و Xiyu Zhai. «درباره نزول چندگانه درونیابیهای حداقل هنجار و ایزومتریک پایینتر محدود هستهها». در مجموعه مقالات تحقیقات یادگیری ماشین. جلد 125، صفحات 1-29. PMLR (2020). آدرس اینترنتی: http://proceedings.mlr.press/v125/liang20a.html.
http://proceedings.mlr.press/v125/liang20a.html
[38] ادوارد فرهی و هارتموت نون. "طبقه بندی با شبکه های عصبی کوانتومی در پردازنده های کوتاه مدت" (2018). arXiv:1802.06002.
arXiv: 1802.06002
[39] ماریا شولد، الکس بوچاروف، کریستا ام. سوور، و ناتان ویبه. طبقهبندیکنندههای کوانتومی مدار محور. فیزیک Rev. A 101, 032308 (2020).
https://doi.org/10.1103/physreva.101.032308
[40] آدریان پرز-سالیناس، آلبا سرورا-لیرتا، الیز گیل-فوستر، و خوزه آی. لاتوره. "بارگذاری مجدد داده ها برای طبقه بندی کننده کوانتومی جهانی". Quantum 4, 226 (2020).
https://doi.org/10.22331/q-2020-02-06-226
[41] سوفینه جربی، لوکاس جی فیدرر، هندریک پولسن ناتروپ، یوناس ام کوبلر، هانس جی بریگل و ودران دانکو. "یادگیری ماشین کوانتومی فراتر از روش های هسته". نات. اشتراک. 14, 517 (2023).
https://doi.org/10.1038/s41467-023-36159-y
[42] کاسپر گیوریک، دایون ورومینگن، ون، و ودران دانکو. "به حداقل رساندن ریسک ساختاری برای طبقه بندی کننده های خطی کوانتومی". Quantum 7, 893 (2023).
https://doi.org/10.22331/q-2023-01-13-893
[43] ماریا شولد. "مدل های یادگیری ماشین کوانتومی نظارت شده روش های هسته هستند" (2021). arXiv:2101.11020.
arXiv: 2101.11020
[44] S. Shin، Y. S. Teo، و H. Jeong. "رمزگذاری نمایی داده برای یادگیری تحت نظارت کوانتومی". فیزیک Rev. A 107, 012422 (2023).
https://doi.org/10.1103/PhysRevA.107.012422
[45] سوفی پیکارد "Sur les ensembles de distances des ensembles de points d'un espace euclidien." خاطرات دانشگاه نوشاتل. دبیرخانه دانشگاه (1939).
[46] دیو وکر، متیو بی. هستینگز، ناتان ویبه، برایان کی کلارک، چتان نایاک و ماتیاس ترویر. حل مدل های الکترونی قویاً همبسته در یک کامپیوتر کوانتومی. فیزیک Rev. A 92, 062318 (2015).
https://doi.org/10.1103/PhysRevA.92.062318
[47] ایان دی کیولیچان، جارود مککلین، ناتان ویبی، کریگ گیدنی، آلان آسپورو-گوزیک، گارنت کینلیک چان و رایان بابوش. "شبیه سازی کوانتومی ساختار الکترونیکی با عمق خطی و اتصال". فیزیک کشیش لِت 120, 110501 (2018).
https://doi.org/10.1103/PhysRevLett.120.110501
[48] مارتین لاروکا، فردریک سوواژ، فارس ام. صباحی، گیوم وردون، پاتریک جی کولز و ام. سرزو. "یادگیری ماشین کوانتومی نامتغیر گروهی". PRX Quantum 3, 030341 (2022).
https://doi.org/10.1103/PRXQuantum.3.030341
[49] یوهانس یاکوب مایر، ماریان مولارسکی، الیس گیل فوستر، آنتونیو آنا مله، فرانچسکو ارزانی، آلیسا ویلمز و ینس ایسرت. "بهره برداری از تقارن در یادگیری ماشین کوانتومی متغیر". PRX Quantum 4, 010328 (2023).
https://doi.org/10.1103/PRXQuantum.4.010328
[50] مارتین لاروکا، ناتان جو، دیگو گارسیا مارتین، پاتریک جی کولز و مارکو سرزو. نظریه فراپارامتریزه شدن در شبکه های عصبی کوانتومی نات. محاسبه کنید. علمی 3، 542-551 (2023).
https://doi.org/10.1038/s43588-023-00467-6
[51] Yuxuan Du، Min-Hsiu Hsieh، Tongliang Liu و Dacheng Tao. قدرت بیان مدارهای کوانتومی پارامتریزه شده فیزیک Rev. Res. 2, 033125 (2020).
https://doi.org/10.1103/physrevresearch.2.033125
[52] زوئه هولمز، کونال شارما، ام. سرزو و پاتریک جی کولز. "ارتباط بیان پذیری آنساتز به بزرگی های گرادیان و فلات های بایر". PRX Quantum 3, 010313 (2022).
https://doi.org/10.1103/PRXQuantum.3.010313
[53] سامسون وانگ، انریکو فونتانا، مارکو سرزو، کونال شارما، آکیرا سونه، لوکاس سینسیو و پاتریک جی کولز. فلات های بایر ناشی از نویز در الگوریتم های کوانتومی متغیر نات. اشتراک. 12, 6961 (2021).
https://doi.org/10.1038/s41467-021-27045-6
[54] عبدالکادر کاناتار، ایوان پیترز، چنگیز پهلوان، استفان ام وایلد و روسلان شایدولین. "پهنای باند تعمیم در مدل های هسته کوانتومی را امکان پذیر می کند". معاملات در تحقیقات یادگیری ماشین (2023). آدرس اینترنتی: https://openreview.net/forum?id=A1N2qp4yAq.
https://openreview.net/forum?id=A1N2qp4yAq
[55] هسین یوان هوانگ، مایکل بروتون، جردن کاتلر، سیتان چن، جری لی، مسعود محسنی، هارتموت نون، رایان بابوش، ریچارد کوئنگ، جان پرسکیل و جارود آر. مک کلین. "مزیت کوانتومی در یادگیری از آزمایش". Science 376, 1182-1186 (2022).
https://doi.org/10.1126/science.abn7293
[56] سیتان چن، جردن کاتلر، هسین یوان هوانگ و جری لی. "جدایی های نمایی بین یادگیری با و بدون حافظه کوانتومی". در سال 2021 شصت و دومین سمپوزیوم سالانه IEEE در زمینه مبانی علوم کامپیوتر (FOCS). صفحات 62–574. (585).
https://doi.org/10.1109/FOCS52979.2021.00063
[57] هسین یوان هوانگ، ریچارد کوئنگ و جان پرسکیل. "محدوده های نظری اطلاعات در مورد مزیت کوانتومی در یادگیری ماشین". فیزیک کشیش لِت 126, 190505 (2021).
https://doi.org/10.1103/PhysRevLett.126.190505
[58] ویل برگهولم، جاش ایزاک، ماریا شولد، کریستین گوگولین، ام. صهیب علم، شهنواز احمد، خوان میگل آرازولا، کارستن بلنک، آلن دلگادو، سوران جهانگیری، کری مک کیرنان، یوهانس یاکوب مایر، زیو نیو، آنتال سزاوا و ناتان. "Pennylane: تمایز خودکار محاسبات کوانتومی-کلاسیک ترکیبی" (2018). arXiv:1811.04968.
arXiv: 1811.04968
[59] پیتر ال. بارتلت، فیلیپ ام. لانگ، گابور لوگوسی و الکساندر تسیگلر. "بیش برازش خوش خیم در رگرسیون خطی". Proc. Natl. آکادمی علمی 117, 30063–30070 (2020).
https://doi.org/10.1073/pnas.1907378117
[60] ولادیمیر کولچینسکی و کریم لونیچی. "نابرابری های غلظت و مرزهای گشتاور برای عملگرهای کوواریانس نمونه". برنولی 23، 110 - 133 (2017).
https://doi.org/10.3150/15-BEJ730
[61] زبیگنیو پوچالا و یاروسلاو آدام میزچاک. "ادغام نمادین با توجه به معیار هار در گروه واحد". گاو نر پول آکادمی علمی 65، 21-27 (2017).
https://doi.org/10.1515/bpasts-2017-0003
[62] دانیل ای رابرتز و بنی یوشیدا. "آشوب و پیچیدگی با طراحی". J. فیزیک انرژی بالا. 2017, 121 (2017).
https://doi.org/10.1007/jhep04(2017)121
[63] والاس سی. بابکاک. "تداخل بین مدولاسیون در سیستم های رادیویی فرکانس وقوع و کنترل با انتخاب کانال". بل سیست. فن آوری j 32، 63-73 (1953).
https://doi.org/10.1002/j.1538-7305.1953.tb01422.x
[64] M. Atkinson، N. Santoro و J. Urrutia. "مجموعه های عدد صحیح با مجموع و تفاوت های متمایز و تخصیص فرکانس حامل برای تکرار کننده های غیرخطی". IEEE Trans. اشتراک. 34, 614-617 (1986).
https://doi.org/10.1109/TCOM.1986.1096587
[65] جی رابینسون و آ. برنشتاین. "کلاسی از کدهای باینری بازگشتی با انتشار خطای محدود". IEEE Trans. Inf. 13, 106-113 (1967).
https://doi.org/10.1109/TIT.1967.1053951
[66] R. J. F. Fang و W. A. Sandrin. "تخصیص فرکانس حامل برای تکرار کننده های غیرخطی". بررسی فنی COMSAT 7، 227-245 (1977).
ذکر شده توسط
[1] الکسی ملنیکوف، محمد کردزنگنه، الکساندر آلودجانتس و ری-کوانگ لی، "یادگیری ماشین کوانتومی: از فیزیک تا مهندسی نرم افزار"، پیشرفت در Physics X 8 1, 2165452 (2023).
[2] مو کوردزنگنه، پاول سکاتسکی، لئونید فدیچکین و الکسی ملنیکوف، "خانواده ای از مدارهای کوانتومی جهانی که به طور نمایی در حال رشد هستند". یادگیری ماشینی: علم و فناوری 4 3، 035036 (2023).
[3] استفانو مانگینی، «الگوریتمهای کوانتومی متغیر برای یادگیری ماشین: نظریه و کاربردها»، arXiv: 2306.09984, (2023).
[4] بن جادربرگ، آنتونیو آ. جنتیله، یوسف آچاری برادا، الویرا شیشنینا، و وینسنت ای. الفوینگ، "اجازه دهید شبکه های عصبی کوانتومی فرکانس های خود را انتخاب کنند"، arXiv: 2309.03279, (2023).
[5] Yuxuan Du، Yibo Yang، Dacheng Tao، و Min-Hsiu Hsieh، "قدرت وابسته به مشکل شبکه های عصبی کوانتومی در طبقه بندی چند طبقه"، نامههای بازبینی فیزیکی 131 14، 140601 (2023).
[6] S. Shin، Y. S. Teo، و H. Jeong، "رمزگذاری داده های نمایی برای یادگیری تحت نظارت کوانتومی"، بررسی فیزیکی A 107 1, 012422 (2023).
[7] Elies Gil-Fuster، Jens Eisert، و Carlos Bravo-Prieto، "درک یادگیری ماشین کوانتومی همچنین مستلزم بازنگری در تعمیم است". arXiv: 2306.13461, (2023).
[8] جیسون ایاکونیس و سونیک جوهری، «بارگذاری دادههای کوانتومی کارآمد تصاویر مبتنی بر شبکه تانسور»، arXiv: 2310.05897, (2023).
[9] آلیس بارت و آدریان پرز-سالیناس، "شیب ها و پروفایل های فرکانس مدل های بارگذاری مجدد کوانتومی"، arXiv: 2311.10822, (2023).
[10] توبیاس هاگ و ام اس کیم، "تعمیم با هندسه کوانتومی برای یادگیری واحدها"، arXiv: 2303.13462, (2023).
[11] جوناس لندمن، اسلیمان ثابت، کنستانتین دالیاک، هلا میری و الهام کاشفی، "تقریبا کلاسیک یادگیری ماشین کوانتومی متغیر با ویژگی های فوریه تصادفی"، arXiv: 2210.13200, (2022).
[12] Berta Casas و Alba Cervera-Lierta، "سری فوریه چند بعدی با مدارهای کوانتومی"، بررسی فیزیکی A 107 6, 062612 (2023).
[13] Elies Gil-Fuster، Jens Eisert و Vedran Dunjko، "درباره بیانی بودن جاسازی هسته های کوانتومی"، arXiv: 2309.14419, (2023).
[14] لوکاس اسلاتری، روسلان شایدولین، شووانیک چاکرابارتی، مارکو پیستویا، سامی خیری، و استفان ام. وایلد، "شواهد عددی در برابر مزیت با هسته های وفاداری کوانتومی بر روی داده های کلاسیک". بررسی فیزیکی A 107 6, 062417 (2023).
[15] مو کوردزنگنه، داریا کوسیچکینا، و الکسی ملنیکوف، "شبکه های ترکیبی موازی: تعامل بین شبکه های عصبی کوانتومی و کلاسیک". arXiv: 2303.03227, (2023).
[16] آیکاترینی، گراتسی، و پاتریک هومبلی، "تأثیر عملگرهای پردازش و اندازه گیری بر قدرت بیان مدل های کوانتومی". arXiv: 2211.03101, (2022).
[17] اجتناب اوکومورا و ماسایوکی اوهزکی، "ضریب فوریه مدارهای کوانتومی پارامتری شده و مشکل فلات بیثمر"، arXiv: 2309.06740, (2023).
[18] ماسیمیلیانو اینکودینی، میشل گروسی، آنتونیو ماندارینو، سوفیا والکورسا، الساندرا دی پیرو و دیوید ویدریج، "هسته مسیر کوانتومی: هسته مماس عصبی کوانتومی تعمیم یافته برای یادگیری ماشین کوانتومی عمیق"، arXiv: 2212.11826, (2022).
[19] Jorja J. Kirk، Matthew D. Jackson، Daniel J. M. King، Philip Intallura و Mekena Metcalf، «نظم اضطراری در بازنمایی دادههای کلاسیک در مدلهای اسپین ایزینگ»، arXiv: 2303.01461, (2023).
[20] فرانچسکو اسکالا، آندره آ سسکینی، ماسیمو پانلا و داریو گرااس، "رویکردی کلی برای انصراف در شبکه های عصبی کوانتومی". arXiv: 2310.04120, (2023).
[21] جولیان بربریچ، دانیل فینک، دانیل پرانجیچ، کریستین توتچکو، و کریستین هولم، "آموزش مدل های کوانتومی قوی و قابل تعمیم". arXiv: 2311.11871, (2023).
نقل قول های بالا از SAO/NASA Ads (آخرین به روز رسانی با موفقیت 2023-12-21 00:40:54). فهرست ممکن است ناقص باشد زیرا همه ناشران داده های استنادی مناسب و کاملی را ارائه نمی دهند.
On سرویس استناد شده توسط Crossref هیچ داده ای در مورد استناد به آثار یافت نشد (آخرین تلاش 2023-12-21 00:40:53).
این مقاله در Quantum تحت عنوان منتشر شده است Creative Commons Attribution 4.0 International (CC BY 4.0) مجوز. حق چاپ نزد دارندگان حق چاپ اصلی مانند نویسندگان یا مؤسسات آنها باقی می ماند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://quantum-journal.org/papers/q-2023-12-20-1210/
- : دارد
- :است
- :نه
- 1
- 10
- 107
- 11
- 110
- 116
- 12
- 120
- 121
- 125
- 13
- 14
- ٪۱۰۰
- 16
- 17
- 1791
- 19
- 20
- 2008
- 2015
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- ٪۱۰۰
- 36
- 39
- 40
- 41
- 43
- 46
- 49
- 50
- 51
- 52
- 53
- 54
- 58
- 60
- 65
- 66
- 7
- 75
- 8
- 9
- 98
- a
- عباس
- توانایی
- بالاتر
- چکیده
- دسترسی
- مطابق
- دقت
- آدم
- پیشرفت
- مزیت - فایده - سود - منفعت
- دشمن
- وابستگی ها
- در برابر
- احمد
- الکس
- الکساندر
- الگوریتم
- آلیس
- معرفی
- همچنین
- an
- تحلیل
- تحلیلی
- و
- اندرو
- آنا
- سالیانه
- برنامه های کاربردی
- روش
- هستند
- مناطق
- AS
- کوشش
- نویسنده
- نویسندگان
- اتوماتیک
- b
- بی ثمر
- مستقر
- اساسی
- BE
- بوده
- رفتار
- پشت سر
- ناقوس
- در توی
- بنیامین
- بهتر
- میان
- خارج از
- سفید
- مرزها
- شکستن
- برایان
- گاو نر
- by
- قابلیت
- ظرفیت
- کارلوس
- کاسپر
- چان
- کانال
- چن
- را انتخاب کنید
- چو
- مسیحی
- با استناد به
- کلاس
- طبقه بندی
- کد
- توضیح
- مردم عادی
- کامل
- پیچیده
- پیچیدگی
- محاسبات
- کامپیوتر
- علم کامپیوتر
- محاسبه
- بتون
- کنفرانس
- اتصال
- زمینه
- کنترل
- حق چاپ
- همبسته
- کریگ
- منحنی
- دانیل
- داده ها
- داده کاوی
- دیو
- داود
- دسامبر
- عمیق
- یادگیری عمیق
- شبکه های عصبی عمیق
- آن
- وابسته
- عمق
- استخراج
- طرح
- با وجود
- تعیین
- دیگو
- تفاوت
- بحث و تبادل نظر
- متمایز
- do
- میکند
- دو برابر
- e
- ادوارد
- اثر
- موثر
- الکترونیکی
- عناصر
- تعبیه کردن
- را قادر می سازد
- پشتیبانی می کند
- انرژی
- مهندسی
- اریکا
- خطا
- اتر (ETH)
- مدرک
- مثال
- نمایشگاه ها
- آزمایش
- توضیح دهید
- نمایی
- رسا
- خانواده
- خداحافظی
- ترس
- ویژگی
- امکانات
- کمی از
- وفاداری
- برای
- یافت
- مبانی
- فرانسیسکو
- فرکانس
- از جانب
- جلو
- تابع
- سوالات عمومی
- مولد
- شبکه های نژادی مولد
- هندسه
- هدف
- شیب ها
- گروه
- سخت افزار
- دانشگاه هاروارد
- زیاد
- دارندگان
- چگونه
- HTML
- HTTP
- HTTPS
- huang
- ترکیبی
- ترکیبی کوانتومی-کلاسیک
- i
- IEEE
- تصاویر
- بهبود
- in
- نابرابری
- اطلاعات
- موسسه
- موسسات
- ادغام
- جالب
- دخالت
- بین المللی
- معرفی
- جکسون
- جاوا اسکریپت
- جروم
- جان
- جانسون
- اردن
- روزنامه
- یوحنا
- کریم
- کندال
- کیم
- پادشاه
- کلیسا
- در مقیاس بزرگ
- لیزر
- نام
- یاد گرفتن
- یادگیری
- کمترین
- ترک کردن
- انسوی کشتی که از باد در پناه است
- اجازه
- li
- مجوز
- محدود شده
- ابشار
- ارتباط
- فهرست
- بارگیری
- به صورت محلی
- لوگان
- طولانی
- خاموش
- کاهش
- با مسئولیت محدود
- دستگاه
- فراگیری ماشین
- ماشین آلات
- مارکو
- مریم
- مارتین
- ریاضی
- ریاضی
- ماده
- متی
- ماتیاس
- ممکن است..
- مک کلین
- اندازه
- اندازه گیری
- مکانیسم
- حافظه
- متکالف
- روش
- مایر
- مایکل
- قدرت
- میخائیل
- به حداقل رساندن
- استخراج معدن
- مدل
- مدل
- مدرن
- لحظه
- ماه
- چندگانه
- طبیعت
- نزدیک
- شبکه
- شبکه
- عصبی
- شبکه های عصبی
- شبکه های عصبی
- نه
- وقوع
- of
- غالبا
- الیور
- on
- انتاریو
- باز کن
- عملیات
- اپراتور
- or
- سفارش
- اصلی
- ما
- مروری
- خود
- صفحات
- مقاله
- موازی
- مسیر
- پاتریک
- از پا افتادن
- پدیده
- فیزیک
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- قدرت
- تمرین
- دقیق
- پیش گویی
- تهیه
- فشار
- مشکل
- PROC
- اقدامات
- در حال پردازش
- پردازنده ها
- پروفایل
- انتشار
- ارائه
- منتشر شده
- ناشر
- ناشران
- کوانتومی
- مزیت کوانتومی
- الگوریتم های کوانتومی
- کامپیوتر کوانتومی
- محاسبات کوانتومی
- اطلاعات کوانتومی
- یادگیری ماشین کوانتومی
- R
- رادیو
- تصادفی
- راجعه
- منابع
- رژیمها
- رگرسیون
- ارتباط
- ارتباط
- بقایای
- قابل توجه
- نیاز
- تحقیق
- احترام
- منحصر
- نشان داد
- این فایل نقد می نویسید:
- ریچارد
- خطر
- رابرت
- تنومند
- قوانین
- رایان
- s
- اسکالا
- SCI
- علم
- علم و تکنولوژی
- انتخاب شد
- انتخاب
- سلسله
- مجموعه
- کم عمق
- شرما
- نشان
- سیگنال
- سیم کارت
- به طور مشابه
- شبیه سازی
- به طور همزمان
- نرم افزار
- مهندسی نرم افزار
- ترانه
- فضاها
- چرخش
- مربع
- دیدگاه
- دولت
- آماری
- استفان
- به شدت
- ساختار
- مورد مطالعه قرار
- موفقیت
- موفقیت
- چنین
- مناسب
- مبالغ
- یادگیری نظارت شده
- تعجب
- بزم پس از شام
- سیستم های
- فن آوری
- فنی
- پیشرفته
- مدت
- La
- شان
- نظری
- نظریه
- در نتیجه
- اینها
- این
- از طریق
- عنوان
- به
- تورنتو
- آموزش
- ترانس
- معاملات
- ترور
- تایلر
- UN
- زیر
- درک
- جهانی
- دانشگاه
- به روز شده
- URL
- تنوع
- بسیار
- وینسنت
- حجم
- vs
- W
- وانگ
- می خواهم
- بود
- we
- خوب
- در حین
- بطور گسترده
- وحشی
- با
- بدون
- مهاجرت کاری
- با این نسخهها کار
- استاد
- X
- سال
- زفیرنت