Arama sonuçları

Mühendislik ve Teknoloji · Bilgisayar ve Elektrik Mühendisliği

Az Sayıda Eğitim Verisinden Kuantum Makine Öğrenmesinde Genelleştirme Performansının Kuramsal ve Sayısal Analizi

Kuantum makine öğrenmesi (QML), kuantum verilerinin ve klasik verilerin yüksek boyutlu Hilbert uzaylarında işlenmesi amacıyla parametrelendirilmiş kuantum devrelerinin varyasyonel olarak eğitilmesini temel alan hızla gelişen bir alandır. Klasik makine öğrenmesinde modellerin görmediği veriler üzerindeki tahmin başarısı olan genelleştirme kapasitesi, örneklem karmaşıklığı ve model karmaşıklığı kısıtları çerçevesinde kuramsal sınırlarla açıklanmaktadır. Kuantum devrelerinde ise üstel büyüklükteki durum uzayları nedeniyle başarılı bir genelleştirme için üstel miktarda eğitim verisine ihtiyaç duyulacağı yönündeki endişeler, alanın temel teorik ve pratik engelini oluşturmaktadır. Bu çalışma, kuantum devrelerinin kapı sayısı ve mimari yapısıyla sınırlı veri miktarı arasındaki matematiksel ilişkiyi çözümleyerek alanın bu temel tartışmasına doğrudan yanıt vermektedir.