本文概述了量子计算在机器学习领域的应用，包括量子主成分分析（QPCA）、量子支持向量机、核函数及其在高维特征空间的作用。此外，还介绍了涉及的算法如Grover、HHL、qRAM、相位估计等，并探讨了量子退火、深量子学习和玻尔兹曼机。文章指出量子机器学习在量子数据处理上的优势，但也提出了输入、输出、成本和基准测试等未来工作面临的挑战。
综述
量子计算每次都是|0>,|1>的叠加态，所以是2的n次幂。
1.quantum principal component analysis : 量子主成分分析（QPCA）
2.quantum support vector machines and kernel methods : 量子支持向量机和核方法
监督机器学习例子：线性支持机和感知机。在数据集中找到一个最优的分离超平面，使一个类的训练样本尽可能的只在超平面的一侧被找到。支持向量机的最大能力之一在于听过核函数将其推广到非线性超曲面。
3.核函数：支持向量机通过某非线性变换 φ( x) ，将输入空间映射到高维特征空间。特征空间的维数可能非常高。如果支持向量机的求解只用到内积运算，而在低维输入空间又存在某个函数 K(x, x′) ，它恰好等于在高维空间中这个内积，即K( x, x′) =<φ( x)⋅φ( x′) > 。那么支持向量机就不用计算复杂的非线性变换，而由这个函数 K(x, x′) 直接得到非线性变换的内积，使大大简化了计算。这样的函数 K(x, x′) 称为核函数。
4.几个涉及到的名词：
1）qBLAS子程序（最小二乘量子支持向量机）
最低0.47元/天 解锁文章
扫一扫
1140
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
