进化增强的量子监督学习模型
原文中文,约300字,阅读约需1分钟。发表于: 。本研究提出了一种创新的方法,利用进化增强的无参数化电路进行监督学习模型,该模型采用可变拓扑的电路经由精英方法演化,从而减轻了贫瘠高原问题,并引入了多热编码的叠加概念,方便多分类问题的处理。通过与当前技术最先进的变分量子分类器进行比较分析,我们的框架在训练效率和精确度方面得到了显著的提升。此外,我们对传统上常常困扰传统核心机器的具有挑战性的数据集类进行了测试,展示了在 NISQ...
本研究提出了一种创新的方法,利用进化增强的无参数化电路进行监督学习模型,通过演化可变拓扑的电路减轻了贫瘠高原问题,并引入了多热编码的叠加概念,提高多分类问题的处理效率和精确度。该框架在训练效率和精确度方面显著提升,可作为NISQ时代实现量子优势的潜在替代路径。