可训练量子机器学习中的任意多项式分离
原文中文，约400字，阅读约需1分钟。发表于：。最近的量子机器学习的理论结果表明了量子神经网络（QNNs）的表达能力和可训练性之间的一般性权衡；作为这些结果的推论，实际中在表达能力上超过经典机器学习模型的指数级差异被认为是不可行的，因为这样的 QNNs 训练所需的时间与模型大小的指数成正比。我们通过构建一种层次化的可高效训练的 QNNs，成功地绕过了这些负面结果，其在经典序列建模任务中展示了无条件可证的多项式内存分离性能，而且所引入的...
最近的量子机器学习研究发现，量子神经网络（QNNs）在表达能力和可训练性之间存在权衡。通过构建高效训练的层次化QNNs，成功绕过了负面结果，并在经典序列建模任务中展示了多项式内存分离性能。量子机器学习可能在其他经典序列学习问题中具有优势。
