期刊文献+
共找到689篇文章
< 1 2 35 >
每页显示 20 50 100
量子信息技术在金融业的探索应用 预览
1
作者 唐金海 谢正文 +2 位作者 刘华 熊占寅 张文慧 《软件》 2019年第3期140-143,共4页
上世纪七十年代,量子信息技术在量子力学和信息科学的交叉研究中而产生,其主要研究方向包括量子通信、量子计算、量子存储与量子传感等。近年来,随着量子信息技术的研究取得重大突破,量子信息技术的应用价值进一步凸显。本文首先介绍量... 上世纪七十年代,量子信息技术在量子力学和信息科学的交叉研究中而产生,其主要研究方向包括量子通信、量子计算、量子存储与量子传感等。近年来,随着量子信息技术的研究取得重大突破,量子信息技术的应用价值进一步凸显。本文首先介绍量子信息技术的起源及定义;其次简要介绍量子通信、量子计算、量子存储和量子传感等技术,并结合金融行业发展特点,探索出各项量子信息技术在金融业的应用场景;最后详细分析量子信息技术给金融业带来的巨大挑战,并给出具体发展建议。 展开更多
关键词 量子信息技术 量子通信 量子计算 量子存储 量子传感 金融业
在线阅读 下载PDF
Qsimulation:一个量子计算模拟器工具 预览
2
作者 邓曦 邓玉欣 《计算机工程与科学》 CSCD 北大核心 2019年第5期843-850,共8页
介绍一个可在经典计算机上模拟量子计算的工具Qsimulation。该工具由4个主要部分组成:一个命令式的量子编程语言,一个量子计算解释器,一个用于模拟量子程序执行的图形用户界面以及错误处理模块,它能帮助教师和新手设计并测试简单的量子... 介绍一个可在经典计算机上模拟量子计算的工具Qsimulation。该工具由4个主要部分组成:一个命令式的量子编程语言,一个量子计算解释器,一个用于模拟量子程序执行的图形用户界面以及错误处理模块,它能帮助教师和新手设计并测试简单的量子电路和量子程序。 展开更多
关键词 量子计算 量子计算模拟器 量子电路
在线阅读 下载PDF
MQHOA优化算法能级稳定过程及判据研究 预览
3
作者 周岩 王鹏 +2 位作者 辛罡 李波 王德志 《电子学报》 EI CAS CSCD 北大核心 2019年第6期1337-1343,共7页
多尺度量子谐振子算法(MQHOA)的能级稳定过程是算法的核心部分,对于避免算法陷入局部最优、提高算法求解精度具有重要作用.对算法能级稳定过程进行研究,发现不同的能级稳定判据,会造成算法在同一能级下不同的表现.相对宽松的判据使算法... 多尺度量子谐振子算法(MQHOA)的能级稳定过程是算法的核心部分,对于避免算法陷入局部最优、提高算法求解精度具有重要作用.对算法能级稳定过程进行研究,发现不同的能级稳定判据,会造成算法在同一能级下不同的表现.相对宽松的判据使算法在能级稳定过程中迭代不充分,容易陷入早熟.而更严格的判据能使波函数在同一能级下达到稳定状态,提高算法的全局搜索能力,但会增加算法的计算代价.通过实验证明,相对宽松的能级稳定判据对单峰简单函数具有良好的求解效果,严格的能级稳定判据适用于算法对多峰复杂函数的求解.算法在资源优化、自适应控制及能耗优化管理等方面已取得有效应用. 展开更多
关键词 优化算法 多尺度量子谐振子算法 能级稳定 量子计算 量子谐振子 波函数 量子退火
在线阅读 下载PDF
经典逻辑门与量子逻辑门 预览
4
作者 张登玉 谭咏康 《衡阳师范学院学报》 2019年第3期16-23,共8页
经典计算是通过经典逻辑门来实现,而量子计算则是由量子逻辑门来完成其功能.由于经典逻辑门与量子逻辑门遵循完全不同的物理规律,虽然两者有许多相似之处,但又有本质区别.文章介绍经典逻辑门与量子逻辑门的概念,从种类和功能上分析两者... 经典计算是通过经典逻辑门来实现,而量子计算则是由量子逻辑门来完成其功能.由于经典逻辑门与量子逻辑门遵循完全不同的物理规律,虽然两者有许多相似之处,但又有本质区别.文章介绍经典逻辑门与量子逻辑门的概念,从种类和功能上分析两者的异同. 展开更多
关键词 量子计算 逻辑门 量子逻辑门 比特 量子比特
在线阅读 下载PDF
量子技术对现代战争的影响 预览
5
作者 唐苏妍 《世界科技研究与发展》 CSCD 2019年第3期281-293,共13页
随着量子力学与信息技术的深度融合,世界各国高度关注新型量子技术的研究与发展,而量子技术的巨大优势同样引发了各国军事领域的广泛关注。本文重点分析了量子通信、量子计算、量子雷达技术对现代战争的影响及当前发展现状,并从作战理... 随着量子力学与信息技术的深度融合,世界各国高度关注新型量子技术的研究与发展,而量子技术的巨大优势同样引发了各国军事领域的广泛关注。本文重点分析了量子通信、量子计算、量子雷达技术对现代战争的影响及当前发展现状,并从作战理念、作战样式、武器装备发展等方面给出思考与启示。 展开更多
关键词 量子通信 量子计算 量子雷达 现代战争
在线阅读 免费下载
基于双隐层量子线路循环单元神经网络的状态退化趋势预测
6
作者 李锋 向往 +2 位作者 陈勇 汤宝平 王家序 《机械工程学报》 EI CAS CSCD 北大核心 2019年第6期83-92,共10页
针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械... 针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械状态退化趋势预测方法。首先采用量纲一化排列熵误差构建状态退化特征集,然后将该特征集输入DHL-QCRUNN以完成旋转机械状态退化趋势预测。在所提出的DHL-QCRUNN中,设计双隐层结构以提高网络的非线性映射能力;并引入量子相移门和多位受控非门以实现信息的传递;通过双隐层的量子反馈机制获得输入序列的整体记忆;最后采用输出层激发态的概率幅表示输出,通过以上方法改善了网络的非线性逼近能力和泛化性能,使所提出的旋转机械状态退化趋势预测方法具有较高的预测精度。此外,通过量子Levenberg-Marqudt(LM)算法更新DHL-QCRUNN的网络参数,提高该网络的收敛速度,使所提出的状态退化趋势预测方法具有较高计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。提出了基于DHL-QCRUNN的旋转机械状态退化趋势预测新方法,该方法具有较高的预测精度和较高的计算效率。 展开更多
关键词 双隐层量子线路循环单元神经网络 量子计算 排列熵误差 趋势预测 旋转机械
基于冗余图态的多人协作量子计算 预览
7
作者 田宇玲 冯田峰 周晓祺 《物理学报》 SCIE EI CAS CSCD 北大核心 2019年第11期35-41,共7页
量子计算是一种基于量子力学基本原理设计的新型计算模型,在某些特定问题上表现出了远超经典计算机的处理能力.随着量子计算任务复杂度的提高,如何分配量子计算资源,实现多方协作的量子计算,将成为量子计算领域待解决的一个重要问题.本... 量子计算是一种基于量子力学基本原理设计的新型计算模型,在某些特定问题上表现出了远超经典计算机的处理能力.随着量子计算任务复杂度的提高,如何分配量子计算资源,实现多方协作的量子计算,将成为量子计算领域待解决的一个重要问题.本文在一次性量子计算的基础上,提出了基于冗余图态的多人协作量子计算方案.不同于传统图态中每个节点仅对应一个粒子,冗余图态中每个节点都对应若干粒子.参与量子计算的每一方都将分配到一组完整涵盖各节点的粒子,各方将自行协商完成图态的分割以及后续的测量,从而实现多人协作的量子计算.在本方案中,参与量子计算的各方可以根据自身任务的需要来确定量子计算的合作方式并进行资源分配,使量子计算具备更高的灵活性与开放性.此外,本文还提出了一个两方协作制备任意单比特量子态的光学实验方案. 展开更多
关键词 量子计算 图态 量子算法
在线阅读 下载PDF
借用“平行宇宙”的算力--量子计算现状与展望 预览
8
作者 李亦超 《自然杂志》 2019年第5期364-369,共6页
量子力学自建立以来,被期待为未来技术进步的基石。目前,量子计算、量子信息处理、量子通信和量子测量等基于量子力学发展起来的技术备受关注。人们力图将理论的成果转化为应用,从而实现"第二次量子革命"。其中,量子计算机因... 量子力学自建立以来,被期待为未来技术进步的基石。目前,量子计算、量子信息处理、量子通信和量子测量等基于量子力学发展起来的技术备受关注。人们力图将理论的成果转化为应用,从而实现"第二次量子革命"。其中,量子计算机因其并行计算能力被证明一旦达到一定规模,其计算能力将远超传统计算机,甚至对目前广泛使用的传统加密算法产生威胁,也必将对社会各个领域产生深远的影响。文章从科普的角度介绍了量子计算的背景及原理,并基于发展现状对未来作了展望,最后探讨了量子计算与人工智能领域结合的可能性。 展开更多
关键词 量子计算 量子信息处理 人工智能
在线阅读 下载PDF
基于量子神经网络的水淹层识别方法
9
作者 赵娅 王伟 李盼池 《地球物理学进展》 CSCD 北大核心 2019年第5期1971-1979,共9页
针对油藏测井解释中的水淹层计算机自动识别问题,本文首先提出一种基于量子神经网络的识别方法.首先构造了一个量子神经网络模型,该模型可以接收多维离散序列样本,隐层为量子神经元,输出层为普通神经元.采用梯度下降法设计了该模型的学... 针对油藏测井解释中的水淹层计算机自动识别问题,本文首先提出一种基于量子神经网络的识别方法.首先构造了一个量子神经网络模型,该模型可以接收多维离散序列样本,隐层为量子神经元,输出层为普通神经元.采用梯度下降法设计了该模型的学习算法.然后设计了基于量子神经网络的水淹层识别方法.该方法精选了描述水淹级别的九个特征,直接采用这些特征的离散数值构造训练样本,实施网络训练,训练后的网络即可用于同类地区的水淹层识别.最后以辽河油田某区块258个地层样本为例,进行了水淹层识别处理,识别率可达88%.实验结果揭示出,量子神经网络对于水淹层自动识别问题具有良好的适应性和实用性. 展开更多
关键词 水淹层识别 量子计算 量子神经网络 测井解释
基于量子电路的门限量子秘密共享方案
10
作者 李志慧 白海艳 白晨明 《武汉大学学报:理学版》 CAS CSCD 北大核心 2019年第2期200-206,共7页
对(n, n)门限量子秘密共享方案参与者人数n为任意的情形(即不局限于n=4k+1?,k∈Z~+)进行了研究,根据量子电路作用在量子态上的性质构造了一个(n, n)门限量子秘密共享方案,进而由Clifford群门和T门组成的可证明安全的量子电路进行安全性... 对(n, n)门限量子秘密共享方案参与者人数n为任意的情形(即不局限于n=4k+1?,k∈Z~+)进行了研究,根据量子电路作用在量子态上的性质构造了一个(n, n)门限量子秘密共享方案,进而由Clifford群门和T门组成的可证明安全的量子电路进行安全性评估。最后,对不诚实的参与者攻击进行了安全性分析。 展开更多
关键词 秘密共享方案 量子电路 量子计算
基于IBM量子计算云服务的量子傅里叶变换实现 预览
11
作者 崔竞一 刘翼鹏 郭建胜 《信息技术与网络安全》 2019年第4期19-23,29共6页
Shor算法能够相对经典大整数分解算法实现指数加速,从而直接威胁到了RSA密码体制,而量子傅里叶变换是Shor算法中的一个关键变换,也能够相对经典离散傅里叶变换实现指数加速,从而引起了广泛关注。主要针对量子傅里叶变换的实现方案进行... Shor算法能够相对经典大整数分解算法实现指数加速,从而直接威胁到了RSA密码体制,而量子傅里叶变换是Shor算法中的一个关键变换,也能够相对经典离散傅里叶变换实现指数加速,从而引起了广泛关注。主要针对量子傅里叶变换的实现方案进行研究。首先介绍了IBM公司量子计算云服务的编程基础,随后设计了3比特量子傅里叶变换的量子线路,最后在IBM公司5超导量子比特的量子计算芯片上进行了实验验证。 展开更多
关键词 量子计算 量子傅里叶变换 IBMQExperience
在线阅读 下载PDF
一种量子线路二维近邻实现方法
12
作者 沈鸣燕 程学云 +2 位作者 管致锦 陈加庆 何娴雅 《量子电子学报》 CAS CSCD 北大核心 2019年第4期476-482,共7页
为了解决一些量子技术中二维量子线路量子位最近邻约束问题,提出了一种基于优先级的最近邻交互代价度量模型,并基于和谐搜索(HS)算法得到了量子位在二维体系结构中的最优布局,通过给出的局部排序方法来执行交换门的插入,最终使得量子线... 为了解决一些量子技术中二维量子线路量子位最近邻约束问题,提出了一种基于优先级的最近邻交互代价度量模型,并基于和谐搜索(HS)算法得到了量子位在二维体系结构中的最优布局,通过给出的局部排序方法来执行交换门的插入,最终使得量子线路在二维体系结构下实现最近邻交互。通过实验对所提出算法进行了验证,并与最新相关结果进行了比较。实验结果表明该方法与文献报道的二维网格体系结构中的交换门数相比,平均降低了14.42%。 展开更多
关键词 量子计算 量子线路综合 最近邻排布 二维体系结构 和谐搜索算法
基于量子加权门限重复单元神经网络的性态退化趋势预测 预览
13
作者 李锋 向往 +1 位作者 王家序 汤宝平 《振动与冲击》 EI CSCD 北大核心 2019年第1期123-129,158共8页
提出基于量子加权门限重复单元神经网络(Quantum Weight Gated Recurrent Unit Neural Network,QWGRUNN)的旋转机械性态退化趋势预测方法。采用小波降噪-排列熵法构建性态退化指标集,将该指标集输入QWGRUNN完成旋转机械性态退化趋势预测... 提出基于量子加权门限重复单元神经网络(Quantum Weight Gated Recurrent Unit Neural Network,QWGRUNN)的旋转机械性态退化趋势预测方法。采用小波降噪-排列熵法构建性态退化指标集,将该指标集输入QWGRUNN完成旋转机械性态退化趋势预测。QWGRUNN在门限重复单元(Gated Recurrent Unit,GRU)基础上引入量子位来表示网络权值和活性值并构造量子相移门以实现权值量子位和活性值量子位的更新,改善了网络泛化能力,进而提高了所提出的性态退化趋势预测方法的预测精度;采用与自身结构相适应的动态学习参数,改善了网络收敛速度,进而提高了所提出的预测方法的计算效率。滚动轴承性态退化趋势预测实例验证了该方法的有效性。 展开更多
关键词 量子加权门限重复单元神经网络 量子计算 排列熵 趋势预测 旋转机械
在线阅读 下载PDF
“离散数学”的范式革命及其意义 被引量:1
14
作者 黄秦安 《科学学研究》 CSSCI CSCD 北大核心 2019年第2期228-234,共7页
20世纪中叶以来,随着计算机的诞生及其对科学与社会日渐显现的影响力,离散数学的思想和方法迅速发展,展现出了更为多样和充满活力的知识形态。离散数学的知识创新具有典型的数学范式革命性。作为对微积分范式的一种突破,离散数学超越了... 20世纪中叶以来,随着计算机的诞生及其对科学与社会日渐显现的影响力,离散数学的思想和方法迅速发展,展现出了更为多样和充满活力的知识形态。离散数学的知识创新具有典型的数学范式革命性。作为对微积分范式的一种突破,离散数学超越了传统数学的知识界线,展现出在数学本体论、认识论与方法论上的新的哲学特征。与计算机与信息科学的发展相得益彰,离散数学范式具有离散化、算法化、计算性、复杂性以及与科学更为紧密的交互性等显著的当代科学革命特征,并显现出学科知识群与复杂性科学等独特的意蕴。 展开更多
关键词 离散数学 范式革命 图灵计算 量子计算 计算复杂性
从量子计算到个性化推荐 预览
15
作者 刘林涵 王新冬 《智能计算机与应用》 2019年第3期285-288,共4页
量子计算作为一种与传统计算基本原理完全不同的方式,可以适用于信息量极大的个性化推荐场景。本文从个性化推荐的算法入手,分析了基于量子聚类分析的推荐算法。通过对该算法的聚类中心分析,量子计算能够有效地提高个性化推荐的效率和安... 量子计算作为一种与传统计算基本原理完全不同的方式,可以适用于信息量极大的个性化推荐场景。本文从个性化推荐的算法入手,分析了基于量子聚类分析的推荐算法。通过对该算法的聚类中心分析,量子计算能够有效地提高个性化推荐的效率和安全,具有十分广阔的前景。 展开更多
关键词 量子计算 个性化推荐 聚类分析
在线阅读 免费下载
基于量子蚁群算法的VRPTW研究 预览
16
作者 徐廷学 张海军 +1 位作者 付霖宇 刘崇屹 《火力与指挥控制》 CSCD 北大核心 2019年第8期34-40,共7页
深入研究带时间窗的配送车辆路径问题,建立贴合实际情况的VRPTW模型,并且针对建立的模型,将量子计算的理念与方法融入蚁群算法,改进后的算法更加科学地初始化蚂蚁的位置,使蚂蚁有更大可能性地寻找到最优路径。在搜索的过程中添加量子比... 深入研究带时间窗的配送车辆路径问题,建立贴合实际情况的VRPTW模型,并且针对建立的模型,将量子计算的理念与方法融入蚁群算法,改进后的算法更加科学地初始化蚂蚁的位置,使蚂蚁有更大可能性地寻找到最优路径。在搜索的过程中添加量子比特启发式因子,使用局部信息素更新和全局信息素更新相结合的信息素更新方式,全局信息素更新添加了量子旋转门的新模式。并使用2-opt搜索对结果进行进一步的探索,扩大搜索的范围,增加了得到最优解的概率。使新建立的量子蚁群算法能够实现对模型更加高效的求解。 展开更多
关键词 VRPTW 量子计算 蚁群算法 2-opt
在线阅读 下载PDF
Towards a Real Quantum Neuron 预览
17
作者 Wei Hu 《自然科学期刊(英文)》 2018年第3期99-109,共11页
Google’s AlphaGo represents the impressive performance of deep learning and the backbone of deep learning is the workhorse of highly versatile neural networks. Each network is made up of layers of interconnected neur... Google’s AlphaGo represents the impressive performance of deep learning and the backbone of deep learning is the workhorse of highly versatile neural networks. Each network is made up of layers of interconnected neurons and the nonlinear activation function inside each neuron is one of the key factors that account for the unprecedented achievement of deep learning. Learning how to create quantum neural networks has been a long time pursuit since 1990’s from many researchers, unfortunately without much success. The main challenge is to know how to design a nonlinear activation function inside the quantum neuron, because the laws in quantum mechanics require the operations on quantum neurons be unitary and linear. A recent discovery uses a special quantum circuit technique called repeat-until-success to make a nonlinear activation function inside a quantum neuron, which is the hard part of creating this neuron. However, the activation function used in that work is based on the periodic tangent function. Because of this periodicity, the input to this function has to be restricted to the range of [0, π/2), which is a serious constraint for its applications in real world problems. The function’s periodicity also makes its neurons not suited for being trained with gradient descent as its derivatives oscillate. The purpose of our study is to propose a new nonlinear activation function that is not periodic so it can take any real numbers and its neurons can be trained with efficient gradient descent. Our quantum neuron offers the full benefit as a quantum entity to support superposition, entanglement, interference, while also enjoys the full benefit as a classical entity to take any real numbers as its input and can be trained with gradient descent. The performance of the quantum neurons with our new activation function is analyzed on IBM’s 5Q quantum computer and IBM’s quantum simulator. 展开更多
关键词 QUANTUM COMPUTATION QUANTUM Machine Learning QUANTUM NEURAL Network QUANTUM NEURON
在线阅读 免费下载
Empirical Analysis of Decision Making of an AI Agent on IBM’s 5Q Quantum Computer 预览
18
作者 Wei Hu 《自然科学期刊(英文)》 2018年第1期45-58,共14页
A recent work has shown that using an ion trap quantum processor can speed up the decision making of a reinforcement learning agent. Its quantum advantage is observed when the external environment changes, and then ag... A recent work has shown that using an ion trap quantum processor can speed up the decision making of a reinforcement learning agent. Its quantum advantage is observed when the external environment changes, and then agent needs to relearn again. One character of this quantum hardware system discovered in this study is that it tends to overestimate the values used to determine the actions the agent will take. IBM’s five qubit superconducting quantum processor is a popular quantum platform. The aims of our study are twofold. First we want to identify the hardware characteristic features of IBM’s 5Q quantum computer when running this learning agent, compared with the ion trap processor. Second, through careful analysis, we observe that the quantum circuit employed in the ion trap processor for this agent could be simplified. Furthermore, when tested on IBM’s 5Q quantum processor, our simplified circuit demonstrates its enhanced performance over the original circuit on one of the hard learning tasks investigated in the previous work. We also use IBM’s quantum simulator when a good baseline is needed to compare the performances. As more and more quantum hardware devices are moving out of the laboratory and becoming generally available to public use, our work emphasizes the fact that the features and constraints of the quantum hardware could take a toll on the performance of quantum algorithms. 展开更多
关键词 QUANTUM COMPUTATION QUANTUM Machine LEARNING QUANTUM REINFORCEMENT LEARNING QUANTUM Circuit
在线阅读 免费下载
Comparison of Two Quantum Nearest Neighbor Classifiers on IBM’s Quantum Simulator 预览
19
作者 Wei Hu 《自然科学期刊(英文)》 2018年第3期87-98,共12页
Today computers are used to store data in memory and then process them. In our big data era, we are facing the challenge of storing and processing the data simply due to their fast ever growing size. Quantum computati... Today computers are used to store data in memory and then process them. In our big data era, we are facing the challenge of storing and processing the data simply due to their fast ever growing size. Quantum computation offers solutions to these two prominent issues quantum mechanically and beautifully. Through careful design to employ superposition, entanglement, and interference of quantum states, a quantum algorithm can allow a quantum computer to store datasets of exponentially large size as linear size and then process them in parallel. Quantum computing has found its way in the world of machine learning where new ideas and approaches are in great need as the classical computers have reached their capacity and the demand for processing big data grows much faster than the computing power the classical computers can provide today. Nearest neighbor algorithms are simple, robust, and versatile supervised machine learning algorithms, which store all training data points as their learned “model” and make the prediction of a new test data point by computing the distances between the query point and all the training data points. Quantum counterparts of these classical algorithms provide efficient and elegant ways to deal with the two major issues of storing data in memory and computing the distances. The purpose of our study is to select two similar quantum nearest neighbor algorithms and use a simple dataset to give insight into how they work, highlight their quantum nature, and compare their performances on IBM’s quantum simulator. 展开更多
关键词 QUANTUM COMPUTATION QUANTUM MACHINE Learning QUANTUM Nearest NEIGHBOR Algorithm
在线阅读 免费下载
Empirical Analysis of a Quantum Classifier Implemented on IBM’s 5Q Quantum Computer 预览
20
作者 Wei Hu 《量子信息科学期刊(英文)》 2018年第1期1-11,共11页
The development of artificial intelligence today is marked with increased computational power, new algorithms, and big data. One such milestone impressive achievement in this area is Google’s AlphaGo. However, this a... The development of artificial intelligence today is marked with increased computational power, new algorithms, and big data. One such milestone impressive achievement in this area is Google’s AlphaGo. However, this advancement is beginning to face increasing challenges and the major bottleneck of AI today is the lack of adequate computing power in the processing of big data. Quantum computing offers a new and viable solution to deal with these challenges. A recent work designed a quantum classifier that runs on IBM’s five qubit quantum computer and tested its performance on the Iris data set as well as a circles data set. As quantum machine learning is still an emerging discipline, it may be enlightening to conduct an empirical analysis of this quantum classifier on some artificial datasets to help learn its unique features and potentials. Our work on the quantum classifier can be summarized in three parts. The first is to run its original version as a binary classifier on some artificial datasets using visualization to reveal the quantum nature of this algorithm, and the second is to analyze the swap operation utilized in its original circuit due to the hardware constraint and investigate its impact on the performance of the classifier. The last part is to extend the original circuit for binary classification to a circuit for multiclass classification and test its performance. Our findings shed new light on how this quantum classifier works. 展开更多
关键词 QUANTUM COMPUTATION QUANTUM Machine Learning QUANTUM CIRCUIT
在线阅读 免费下载
上一页 1 2 35 下一页 到第
使用帮助 返回顶部 意见反馈