機器學(xué)習(xí)是利用概率論、統(tǒng)計學(xué)等知識,結(jié)合最新的計算機技術(shù),通過大量數(shù)據(jù)或其他經(jīng)驗自動改進計算機算法的研究,在圖像分類、時序預(yù)測、自我調(diào)控等方面取得了諸多進展。量子機器學(xué)習(xí)是機器學(xué)習(xí)和量子信息領(lǐng)域的結(jié)合學(xué)科,包括將使用量子計算加速機器學(xué)習(xí)方法,或者使用傳統(tǒng)方法解決量子物理領(lǐng)域的難題兩方面。本文對后一類方法進行了探索,并探索了機器學(xué)習(xí)在其他物理問題中的應(yīng)用�？焖俑咝У膫鬟f量子信息對于實現(xiàn)可擴展的量子計算至關(guān)重要,其中一維自旋鏈上的量子態(tài)傳輸是量子信息領(lǐng)域中的熱點問題。經(jīng)典方法研究中有諸多方法,但皆有些許不足。增強學(xué)習(xí)是機器學(xué)習(xí)中的一種,可以在無需人類標注數(shù)據(jù)的情況下自主學(xué)習(xí),尋找針對特定問題的調(diào)控方案。本文通過引入增強學(xué)習(xí)和另一種經(jīng)典機器學(xué)習(xí)手段,提出了無需含時調(diào)控和包含含時調(diào)控的兩種量子態(tài)學(xué)習(xí)方案,并且在速度和準確率上均超過了原有結(jié)果。量子糾纏是量子信息與量子計算中重要的資源。然而即使在小型系統(tǒng),例如2-3量子比特的情況下,將糾纏態(tài)與可分態(tài)進行區(qū)分依然是非常困難、需要消耗大量資源的過程。本文通過引入人工搭建的神經(jīng)網(wǎng)絡(luò),在兩比特情況下證明了機器學(xué)習(xí)的分類能力。卷積神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的一種... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【部分圖文】：

糾纏見證的區(qū)分范圍種是引入非線性函數(shù)，將超平面投影至高維，在更高維度空間實現(xiàn)線性分類；另

哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文a)通過組合多個糾纏見證，我們可以提升整體分類器的能力b)一個神經(jīng)元連接可以被認為是一個貝爾不等式.c)帶有隱藏層的神經(jīng)網(wǎng)絡(luò)可以視作是多個修正貝爾不等式的組合以取得更強的分類能力。d)在特殊態(tài)類型中，機器學(xué)習(xí)修正貝爾不等式復(fù)合的適用范圍比原有CHSH不等式向前推了一大步。圖2-2神經(jīng)網(wǎng)絡(luò)與修正貝爾不等式組合[35]-15-

分判定上的兩個結(jié)果，分別為 2 量子比特糾纏分類和 3 量子比特糾纏分類。2.3.1 全連接神經(jīng)網(wǎng)絡(luò)介紹全連接神經(jīng)網(wǎng)絡(luò)（full connected neural network）作為神經(jīng)網(wǎng)絡(luò)中的基礎(chǔ)版本，即使在后續(xù)各種千奇百怪的深度神經(jīng)學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)中依然占據(jù)著一席之地，包括卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network）和遞歸神經(jīng)網(wǎng)絡(luò)（recursion neural network）中也不乏它們的身影。實際上，上一節(jié)介紹的修正貝爾不等式組合就是一個全連接神經(jīng)網(wǎng)絡(luò)的例子。通常來說，一個全連接神經(jīng)網(wǎng)絡(luò)包含三個部分，即輸入層，隱藏層和輸出層，而在每層之間由線性變換進行連接，同時每層則進行單獨的非線性變換以獲得強

【參考文獻】：
期刊論文
[1]應(yīng)用機器學(xué)習(xí)技術(shù)預(yù)測強雨雪天氣過程中的積雪[J]. 張遠汀,龔偉偉,葉鈺,徐希源,徐勛建,蔡澤林,陸佳政,韓俊浩,葉飛,許婧.  科學(xué)技術(shù)與工程. 2019(15)
[2]一種基于CNN和RNN深度神經(jīng)網(wǎng)絡(luò)的天氣預(yù)測模型——以北京地區(qū)雷暴的6小時臨近預(yù)報為例[J]. 倪錚,文韜.  數(shù)值計算與計算機應(yīng)用. 2018(04)
[3]關(guān)于量子態(tài)SLOCC等價分類的注記[J]. 孫歡,李歡,曹懷信.  應(yīng)用泛函分析學(xué)報. 2013(04)



本文編號：3516441