标题：斯坦福、马里兰大学|Quantum Cross Entropy and Maximum Likelihood Principle(量子交叉熵和最大似然原理)

作者：斯坦福理论物理学院Zhou Shangnan, 马里兰大学基础物理中心Yixu Wang

简介：量子机器学习是机器学习和量子计算交叉的新兴领域。经典交叉熵在机器学习中起着核心作用。我们定义它的量子概括，即量子交叉熵，证明了它的下界，并研究了它与量子保真度的关系。在经典情况下，最小化交叉熵等效于最大化可能性。在量子情况下，当量子交叉熵是由量子数据构建的不受量子测量的干扰，这种关系成立。经典交叉熵等于负对数似然。当我们通过经验密度矩阵获得量子交叉熵时在测量结果上，量子交叉熵的下限为负对数似然。这两种不同的场景说明了进行量子测量时的信息丢失。我们得出的结论是，要实现全量子机器学习的目标，利用延迟测量原则。

论文下载：https://arxiv.org/pdf/2102.11887v2.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除