Fock state-enhanced expressivity of quantum machine learning models

Yee Gan Beng, Leykam Daniel, Angelakis Dimitrios

URI	http://purl.tuc.gr/dl/dias/9CB079A3-6AEB-49C4-8B09-FA578377E764	-
Αναγνωριστικό	https://ieeexplore.ieee.org/document/9571235	-
Γλώσσα	en	-
Μέγεθος	2 pages	en
Τίτλος	Fock state-enhanced expressivity of quantum machine learning models	en
Δημιουργός	Yee Gan Beng	en
Δημιουργός	Leykam Daniel	en
Δημιουργός	Angelakis Dimitrios	en
Δημιουργός	Αγγελακης Δημητριος	el
Εκδότης	Institute of Electrical and Electronics Engineers	en
Περίληψη	We propose quantum classifiers based on encoding classical data onto Fock states using tunable beam-splitter meshes, similar to the boson sampling architecture. We show that higher photon numbers enhance the expressive power of the circuit.	en
Τύπος	Σύντομη Δημοσίευση σε Συνέδριο	el
Τύπος	Conference Short Paper	en
Άδεια Χρήσης	http://creativecommons.org/licenses/by/4.0/	en
Ημερομηνία	2023-05-29	-
Ημερομηνία Δημοσίευσης	2021	-
Θεματική Κατηγορία	Machine learning	en
Θεματική Κατηγορία	Laser modes	en
Θεματική Κατηγορία	Encoding	en
Θεματική Κατηγορία	Integrated circuit modeling	en
Θεματική Κατηγορία	Electrooptical waveguides	en
Θεματική Κατηγορία	Photonics	en
Βιβλιογραφική Αναφορά	G. B. Yee, D. Leykam and D. G. Angelakis, "Fock state-enhanced expressivity of quantum machine learning models," presented at the 2021 Conference on Lasers and Electro-Optics (CLEO), San Jose, CA, USA, 2021.	en

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Fock state-enhanced expressivity of quantum machine learning models

Yee Gan Beng, Leykam Daniel, Angelakis Dimitrios

Υπηρεσίες

Εξαγωγή

Κοινοποίηση

Στατιστικά

Μεταδεδομένων & Περιεχομένου σε METS:

Μεταδεδομένων σε Μορφότυπο: