一个网站建设花了10万元,百度竞价价格查询,京东商城网上购物app下载,怎么做网页个人信息在《自然》杂志最近发表的一篇论文中#xff0c;IBM和其他机构的研究人员设计了两种量子算法#xff0c;利用变分量子电路和量子核估计器来训练一种支持向量机分类器。这两种算法背后的关键思想是使用量子状态空间作为特征空间表示#xff0c;有效地构建映射#xff0c;从原…在《自然》杂志最近发表的一篇论文中IBM和其他机构的研究人员设计了两种量子算法利用变分量子电路和量子核估计器来训练一种支持向量机分类器。这两种算法背后的关键思想是使用量子状态空间作为特征空间表示有效地构建映射从原始数据中识别重要特征。正确识别数据中的特征对于构建分类器来说至关重要但是对于大型数据集来说往往需要很大的计算开销。
我们的研究表明未来几年随着量子计算机越来越强大以及量子体积的增加它们将能够执行特征映射机器学习的重要组成部分可以大规模处理高度复杂的数据结构远远超出最强大的经典计算机。这就是指数级量子状态空间和量子计算机并行能力发挥作用的地方。论文作者表示由于只有在量子计算机上才能有效地使用指数级量子空间他们的研究可以为量子优势提供一个先导。
更重要的是IBM的研究人员似乎找到了一种处理退相干的新方法。退相干是将量子系统带入准经典状态并进行测量的一个关键因素。退相干的主要问题是波函数的快速衰减在很短的时间内就会产生噪声和误差。本文提出了两种控制退相干的方法一种是概率误差校正法另一种是零噪声外推法。
同样重要的是特征映射就像我们所预期的那样即使IBM Q系统的处理器经历了退相干特征数据也没有出现分类错误。误差校正和噪音代表了量子硬件方面最重大的障碍之一。因此这一结果可能为量子计算的更多实际应用开辟道路。
量子计算机有能力解决经典计算机无法解决的问题量子机器学习是量子优势理论的一个重要研究领域。今年早些时候InfoQ报道了谷歌的研究人员在量子机器学习方面取得的另一个成果并提出了一个适用于当前量子硬件局限性的神经网络模型。
查看英文原文IBM May Have Found a Path to Dealing with Decoherence in Current Quantum Computers
