【技术实现步骤摘要】
本公开涉及一种用于在量子电路中编码数据集以进行量子机器学习的方法和系统。
技术介绍
1、过去十年中量子计算的成功为量子机器学习(qml)奠定了基础，其中，参数化量子电路(pqc)被用作机器学习程序的一部分。其中所采用的量子神经网络(qnn)可以比其经典对应物具有更高的可训练性、容量和可泛化性(参见a.abbas等人，the power of quantumneural networks(2020))。因此，量子计算的优势可以转移到机器学习领域，使机器学习有可能扩展至超越经典界限。量子神经网络通常需要量子编码程序，其中，将经典(训练)数据映射到编码量子门，并且可以在训练期间适配变分量子门。
2、已知量子神经网络的不同架构，其中以特定量子门编码(经典)输入数据，并且经由机器学习训练进一步的量子门(参见m.schuld等人，phys.rev.a，103(3):032430(2021)或a.pérez-salinas等人，quantum，4:226(2020))。在s.lloyd等人的arxiv:2001.03622(2020)中，...
【技术保护点】
1.一种在系统中的用于在量子电路中编码数据集以进行量子机器学习的方法，所述系统包括量子电路(11a)，所述量子电路包括多个编码量子门和多个变分量子门，
2.根据权利要求1所述的方法，其中，所述多个输入特征中的每一个是实数，和/或所述多个缩放因子中的每一个是自然数。
3.根据权利要求1或2所述的方法，其中，所述多个缩放因子另外包括二的幂加一。
4.根据前述权利要求中至少一项所述的方法，其中，所述多个编码量子门并行应用于所述多个量子位，其中优选地，所述多个编码量子门中的每一个应用于所述多个量子位中的不同量子位。
5.根据权利...
【技术特征摘要】
1.一种在系统中的用于在量子电路中编码数据集以进行量子机器学习的方法，所述系统包括量子电路(11a)，所述量子电路包括多个编码量子门和多个变分量子门，
2.根据权利要求1所述的方法，其中，所述多个输入特征中的每一个是实数，和/或所述多个缩放因子中的每一个是自然数。
3.根据权利要求1或2所述的方法，其中，所述多个缩放因子另外包括二的幂加一。
4.根据前述权利要求中至少一项所述的方法，其中，所述多个编码量子门并行应用于所述多个量子位，其中优选地，所述多个编码量子门中的每一个应用于所述多个量子位中的不同量子位。
5.根据权利要求1至3中至少一项所述的方法，其中，所述多个编码量子门顺序应用于所述一个量子位。
6.根据权利要求5所述的方法，其中，在所述多个编码量子门的每两个之间，应用所述多个变分量子门中的至少一个。
7.根据前述权利要求中至少一项所述的方法，其中，应用所述多个变分量子门包括：在所述一个量子位或所述多个量子位上应用所述多个编码量子门之前应用初始变分量子门，和/或应用所述多个编码量子门之后应用最终变分量子门。
8.根据前述权利要求中至少一项所述的方法，其中，所述多个变分量子门由多个变分参数确定，所述方法进一步包括通过以下方式来优化所述变...
【专利技术属性】
技术研发人员：M·科德赞加内，P·谢卡茨基，L·费迪奇金，A·梅尔尼科夫，
申请(专利权)人：特拉量子股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。