正文

指向性问题优化

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb303]对变分混合量子经典算法的理论进行了研究。本文利用量子变分特征求解算法的框架，推广了量子经典混合优化算法的一般理论。作者建议对算法进行了改进，用于实际实现，并引入了量子变分误差抑制方法，使量子器件中的误差抑制成为可能。本文还定义了一种自由优化技术的方法，并得出结论，这些解决方案可以减少计算成本比以前使用的优化技术多达三个数量级

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb304]研究了量子计算机上的线性回归预测方法。本文提出的算法基于最小二乘优化线性回归模型。正如作者总结的那样，结果可以通过单个量子位测量来访问，并且运行时间在输入空间的维度上是对数的。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb305]中，作者定义了遗传算法来增强数字量子模拟的通用性。研究发现，利用遗传算法可以提高量子态的保真度，优化某些数字量子模拟协议的资源需求。作者通过一个由不完美量子门组成的模门来演示结果。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb306]中，作者定义了用于大数据分类的量子支持向量机。正如作者发现的那样，支持向量机(一个优化的二进制分类器)可以在量子计算机上实现。正如他们所展示的，量子算法的复杂性在向量的大小和训练示例的数量上是对数的。正如他们得出的结论，与经典算法相比，量子算法在某些情况下(如果经典采样算法需要多项式时间)实现了指数级的加速。

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb307]中，作者研究了Solovay Kitaev算法及其在量子计算中的优化。正如作者所强调的那样，Solovay Kitaev算法是一个用于容错量子计算的任意单量子比特门的近似工具。作者定义了所谓的搜索空间扩展法来修改算法的初始阶段。正如作者发现的那样，经过一些步骤后，该算法可以降低实验量子计算中对量子算法的量子纠错要求。

关于量子绝热算法中最小激发间隙大小依赖关系的研究，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb308]。

关于量子绝热优化算法和局部极小值问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb309]。

关于从热量子吉布斯态采样和用量子计算机计算配分函数的问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb310]。

关于量子绝热算法中的一阶相变问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb311]。

关于马尔可夫链绝热条件和量子命中时间的问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb312]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb313]中可以找到一种缓慢演化的马尔可夫链的顺序量子混合方法。

关于量子量子大都市算法的描述，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb314]。

应用于np完全问题随机实例的量子绝热演化算法的性质，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb315]。

关于量子绝热算法对正则超图上两个优化问题的随机实例的性能，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb316]。

关于用量子绝热算法训练二分类器的研究见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb203]。

关于用量子绝热算法训练大规模分类器的问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb202]。

使用量子退火硬件实现的二进制分类的实际演示，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb317]。

关于采用绝热量子优化的大规模分类器训练问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb204]。

关于绝热量子优化的鲁棒分类，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb318]。

相关论文推荐

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb319]证明了核磁共振Shor s量子因子分解算法的实验实现。

关于Deutsch Jozsa算法在离子阱量子计算机上的实现，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb320]。

关于量子计算机上的模式识别问题，我们提出[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb321]。

利用量子计算的数据挖掘来预测晶体结构的研究，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb322]。

关于量子最优控制跃迁景观，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb323]。

关于用超导量子处理器演示双量子比特算法，我们建议使用[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb4]。

制备热吉布斯态的量子算法——详细分析见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb324]。

关于量子机器学习的调查，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb2]。

为了对量子学习理论进行回顾，我们建议[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb325]。

关于量子机器学习和量子人工智能的综述，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb326]。

量子人工智能的原理在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb327]中有大量的总结。

关于测量和反馈的量子学习，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb157]。

关于一些量子学习问题查询复杂度的改进下界问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb328]。

关于量子测量的量子学习算法的研究，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb155]。

关于量子绝热机器学习的研究，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb329]。

对于oracle识别问题的最优量子算法，参见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb330]。

关于量子深度学习，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb331]。

有关量子机器学习的介绍，请参见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb332]。

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb333]研究了用于量子系统控制的基于保真度的概率量子学习方法。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb334]中，研究了通过深度强化学习实现人级控制的问题。

量子支持向量机的实验实现研究见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb335]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb336]中研究了量子计算机上基于纠缠的机器学习方法。

关于量子机器学习的一些进展，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb337]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb338]中，研究了噪声环境下的量子学习问题。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb339]中，研究了量子比特网络中的量子门学习问题。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb340]中讨论了玻尔兹曼机的量子启发训练问题。

关于通过量子Boltzmann训练进行断层扫描和生成数据建模的问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb341]。

关于rbm(受限玻尔兹曼机)物理实现的挑战，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb342]。

关于进化算法在硬量子控制中的作用，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb343]。

有关关联规则挖掘的量子算法，请参见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb344]。

关于经典机器学习和量子机器学习的比较，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb345]。

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb346]从经典的角度对量子机器学习领域进行了综述。

关于深度学习与量子纠缠的联系，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb347]。

关于使用机器学习将bell不等式转换为状态分类器的讨论，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb106]。

关于近期量子计算机中量子机器学习的机会和挑战的进一步分析，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb348]。

关于可分性-纠缠分类器问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb349]。

有关量子点神经网络的讨论，请参见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb132]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb270]中，对量子互联网的表征进行了综述。本文综述了量子网络、量子连通性以及单光子与原子的物理层光学相互作用等物理方面的研究进展。

关于量子指数分离和经典单向通信复杂度问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb350]。

有关利用瞬态以g / s数据速率并行处理光子信息的研究，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb351]。

文献[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb352]研究了贝叶斯网络上的量子推理问题。

关于用人工神经网络求解量子多体问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb353]。

关于前馈神经网络的量子泛化，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb354]。

关于量子和经典可学习性之间的等价和分离的研究，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb355]。

一些隐移问题的量子算法研究见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb356]。

关于多项式量子算法逼近Jones多项式的问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb357]。

关于经典退火过程的量子模拟问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb358]。

关于NAND树的离散查询量子算法，参见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb359]。

用于描述一种近似划分的量子算法功能,参见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb360]。

关于隐藏结构布尔值计算树的超多项式量子加速的讨论，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb361]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb362]中，讨论了一个预处理的量子线性系统算法的性质。

量子线性系统算法对精度的依赖指数提高的研究见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb363]。

关于特殊分布的Markov链的量子混合问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb364]。

Scott Aaronson关于量子信息处理的实际挑战的说明，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb200]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb304]中讨论了在量子计算机上用线性回归进行预测的问题。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb365]中，作者定义了稠密矩阵的量子线性系统算法，并分析了算法的复杂性。

关于量子退火器中有效温度的估计问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb297]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb366]中，研究了有噪声量子动力学的高维全局优化问题。

关于量子秘密共享问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb367]。

关于快速量子拜占庭协议的讨论，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb368]。

关于线性光学实验量子私有查询的研究，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb369]。

关于建立一个共享参照系的量子通信复杂性问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb370]。

关于参照系的问题，超选择规则，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb371]。

关于量子网络中的空间参照系一致性问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb372]。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb115]中，定义了一种基于芯片的量子密钥分发方法。

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb373]详细介绍了一种基于共享先验纠缠的量子时钟同步方法。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb374]中定义了一种用于分布式时钟同步的量子算法。

一种量子增强定位和时钟同步方法在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb375]中进行了讨论。

在[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb158]中讨论了用于测量固有时差的纠缠量子时钟问题。

[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb376]定义了一种优化自适应量子计量过程的有效算法。

关于多粒子自适应量子计量的差分进化问题，见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb377]。

关于量子生成对抗学习方法的描述见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb378]。

门模型量子神经网络的分类方案见[http://refhub.elsevier.com/S1574-0137(18)30170-9/sb379]。