Advantages of quantum support vector machine in cross-domain classification of quantum states

简介

在这项研究中，我们利用量子机器学习进行跨领域分类，以解决纠缠与可分离范式问题。我们进一步展示了贝尔对角态被高效分类为零和非零量子不相容类的方法。利用量子态的继承结构及其与特定类别量子态的关系，我们可以直观地处理不同领域测试状态的分类，这里被称为跨领域分类。此外，我们通过随机幺正变换扩展了我们的分析，以评估我们的模型在分析问题时的鲁棒性。通过数值分析，我们的结果清楚地展示了QSVM在跨多维希尔伯特空间分类量子态的潜力。
作者讲解

目前尚无作者解读视频，你可点击下方【许愿开讲】按钮，许愿作者开讲~
图表
解决问题

本文旨在使用量子机器学习的跨领域分类解决纠缠与可分离范式问题，并演示将贝尔对角线状态高效分类为零和非零不和类的方法。
关键思路

本文利用量子状态的继承结构及其与特定类别的量子状态的关系，直观地处理不同领域测试状态的分类，称为跨域分类。
其它亮点

本文的实验设计中使用了随机酉变换评估模型的鲁棒性，并使用数值分析清楚地证明了 QSVM 在多维希尔伯特空间中分类量子状态的潜力。
相关研究

最近的相关研究包括“Quantum machine learning for quantum anomaly detection”和“Quantum machine learning for particle physics”。