VR|量子的逻辑操作 AR|OLED|苹果

文章图片

文章图片

文章图片

查询的复杂性是理想化的模型，解决问题类别所需的资源。不知道如何把这种理想化的想法映射到现实中，就没有多少必要了，真实场景中的资源伸缩。因此需要经典机器学习算法的资源大多是量化的通过数值实验。量子的资源需求机器学习算法可能同样难以量化在实践中。其可行性分析是研究的中心课题的审查。就像我们在回顾中看到的，有量子算法。机器学习表现出量子速度。

例如，量子退火器和可编程量子光学阵列是很好的匹配深度学习架构。虽然现在还不清楚这种潜力能实现到什么程度，都有理由保持乐观量子计算机可以识别经典数据中的模式电脑不能。我们考虑的学习机器可以是经典。他们分析的数据既可以是经典的，也可以是量子的量子传感或测量仪器产生的状态。我们简单讨论一下传统的机器学习经典的使用。在经典数据中寻找模式的计算机。
【VR|量子的逻辑操作】
然后我们转向量子机器学习，量子计算机分析的数据可以是最终编码为量子态的经典数据，或者，量子数据。最后，我们简要讨论了经典的使用问题在量子动力学中寻找模式的机器学习技术。经典的机器学习经典的机器学习和数据分析可以分为几种类别。首先，计算机可以用来进行“经典”数据分析最小结果的方法、多项式插值等方法和数据分析。机器学习协议可以被监督或无监督。

在监督学习中，训练数据分为有标签的类别，如手写体的数字样本一起手写数字应该代表的实际数字，和机器的工作是学习如何给外部数据分配标签训练集。在无监督学习中，训练集是无标签的，和机器的目标是找到自然的类别训练数据下降，然后对训练集以外的数据进行分类。最后还有机器学习任务，比如下围棋，需要结合监督学习和非监督学习，以及训练集可能是机器本身产生的。

基于线性代数的量子机器学习各种各样的数据分析和机器学习协议运行通过对高维向量中的向量进行矩阵运算空间。但是量子力学是关于向量上的矩阵运算在高维向量空间中。这些方法背后的关键成分是量子态，多个量子比特或量子位元的一个向量在一个维复合体中的向量空间;在量子位上执行量子逻辑操作或测量，对应的状态向量乘以矩阵。通过建立这样的矩阵变换，量子计算机已经被证明可以执行普通的线性代数运算。

比如傅里叶变换，找到特征向量和特征值，在二维向量空间上解线性方程组，时间是多项式，比最佳时间指数快，已知的只有古典这一种，后者通常被称为哈罗、哈西迪姆和劳埃德算法。原变量假设一个条件良好的矩阵是稀疏的。稀疏性不太可能出现在数据科学中，但后来的改进缓解了这一问题，假设包括低秩矩阵。

在这里，我们概述了一些以子程序形式出现的量子算法。当线性代数技术应用于量子机器时，量子将会被分析。例如，考虑主成分分析。假设，数据以向量在维向量中的形式表示空间，例如，能源可以是变化的向量在此之间的股票价格中。数据的协方差矩阵为上标，下标表示转置运算，协方差矩阵总结数据的不同成分之间的相关性，例如，不同股票价格变化之间的相关性。在其最简形式，主成分分析通过对角化操作。