Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Fock state-enhanced expressivity of quantum machine learning models

Gan Beng Yee, Leykam Daniel, Angelakis Dimitrios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/4515EAC3-A012-49E4-9D7A-4D2F0C81D639-
Αναγνωριστικόhttps://doi.org/10.1140/epjqt/s40507-022-00135-0-
Αναγνωριστικόhttps://epjquantumtechnology.springeropen.com/articles/10.1140/epjqt/s40507-022-00135-0-
Γλώσσαen-
Μέγεθος23 pagesen
ΤίτλοςFock state-enhanced expressivity of quantum machine learning modelsen
ΔημιουργόςGan Beng Yeeen
ΔημιουργόςLeykam Danielen
ΔημιουργόςAngelakis Dimitriosen
ΔημιουργόςΑγγελακης Δημητριοςel
ΕκδότηςSpringeren
ΠερίληψηThe data-embedding process is one of the bottlenecks of quantum machine learning, potentially negating any quantum speedups. In light of this, more effective data-encoding strategies are necessary. We propose a photonic-based bosonic data-encoding scheme that embeds classical data points using fewer encoding layers and circumventing the need for nonlinear optical components by mapping the data points into the high-dimensional Fock space. The expressive power of the circuit can be controlled via the number of input photons. Our work sheds some light on the unique advantages offered by quantum photonics on the expressive power of quantum machine learning models. By leveraging the photon-number dependent expressive power, we propose three different noisy intermediate-scale quantum-compatible binary classification methods with different scaling of required resources suitable for different supervised classification tasks.en
ΤύποςPeer-Reviewed Journal Publicationen
ΤύποςΔημοσίευση σε Περιοδικό με Κριτέςel
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2023-07-19-
Ημερομηνία Δημοσίευσης2022-
Θεματική ΚατηγορίαQuantum physicsen
Θεματική ΚατηγορίαMachine learningen
Θεματική ΚατηγορίαQuantum photonicsen
Βιβλιογραφική ΑναφοράB. Y. Gan, D. Leykam, and D. G. Angelakis, “Fock state-enhanced expressivity of quantum machine learning models,” EPJ Quantum Technol., vol. 9, no. 1, June 2022, doi: 10.1140/epjqt/s40507-022-00135-0.en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά