研究人员开发了一个新的量子增量学习框架，旨在解决嘈杂中型量子（NISQ）时代的局限性。该框架利用可训练的混合状态原型，即使在电路宽度受限的情况下，也能在不发生灾难性遗忘的情况下顺序学习新类别。与单一纯状态原型相比，混合状态原型的使用提供了增强的表示能力，并且相关的计算为分类提供了方便的希尔伯特-施密特距离度量。模拟表明，与经典方法相比，该模型可以用最少的量子比特实现高维特征集中，具有较低的计算复杂度和在增量学习任务上的稳健性能。 AI
影响 这项研究可以提升量子计算在机器学习任务中的能力，特别是在需要有限资源下的持续学习的场景中。
排序理由 详细介绍量子增量学习新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- CORE Recommender
- DagsHub
- Gotit.pub
- Hilbert–Schmidt operator
- Hugging Face
- Influence Flower
- Noisy Intermediate-Scale Quantum era
- quantum classifiers
- Quantum Incremental Learning
- quantum neural networks
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
