PulseAugur
中
实时 09:10:24

量子机器学习在可证明的学习分离方面超越经典方法

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员展示了在预测量子多体系统时间演化方面的可证明学习分离。该研究发表在arXiv上，概述了一个监督学习问题，其中量子机器学习可以从短时间训练样本中有效地学习未知的哈密顿量。这与经典算法形成对比，经典算法面临计算上的困难，除非BQP包含在P/poly中，这突显了基于哈密顿量演化的自然机器学习任务的严格分离。 AI

影响 展示了量子机器学习在模拟量子系统方面的理论优势，可能指导未来的量子算法开发。

排序理由 该集群包含一篇详细介绍量子机器学习理论进展的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

量子机器学习在可证明的学习分离方面超越经典方法

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Rahul Bandyopadhyay, Riccardo Molteni, Jens Eisert, Vedran Dunjko, Sofiene Jerbi ·

    Provable learning separation for predicting time-evolution of quantum many-body systems

    arXiv:2607.06472v1 Announce Type: cross Abstract: Given that quantum computers are naturally suited to simulate the behavior of quantum many-body systems, an immediate question arises: can one formulate physically motivated quantum machine learning (QML) tasks that exhibit learni…

  2. arXiv cs.AI TIER_1 English(EN) · Sofiene Jerbi ·

    可证明学习分离用于预测量子多体系统的时间演化

    Given that quantum computers are naturally suited to simulate the behavior of quantum many-body systems, an immediate question arises: can one formulate physically motivated quantum machine learning (QML) tasks that exhibit learning separations? We address this problem by studyin…

相关实体

相关话题