ترجمه فارسی مقاله جایگزین‌های کوانتومی صریح برای مدل‌های هسته کوانتومی

چکیده

Quantum machine learning (QML) leverages quantum states for data encoding, with key approaches being explicit models that use parameterized quantum circuits and implicit models that use quantum kernels. Implicit models often have lower training errors but face issues such as overfitting and high prediction costs, while explicit models can struggle with complex training and barren plateaus. We propose a quantum-classical hybrid algorithm to create an explicit quantum surrogate (EQS) for trained implicit models. This involves diagonalizing an observable from the implicit model and constructing a corresponding quantum circuit using an extended automatic quantum circuit encoding (AQCE) algorithm. The EQS framework reduces prediction costs, mitigates barren plateau issues, and combines the strengths of both QML approaches.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین کوانتومی (QML) حالت های کوانتومی را برای رمزگذاری داده ها به دست می آورد ، با رویکردهای کلیدی مدل های صریح که از مدارهای کوانتومی پارامتری و مدلهای ضمنی استفاده می کنند که از هسته های کوانتومی استفاده می کنند.مدلهای ضمنی اغلب خطاهای آموزشی کمتری دارند اما با مسائلی مانند هزینه های بیش از حد و پیش بینی زیاد روبرو هستند ، در حالی که مدل های صریح می توانند با آموزش های پیچیده و فلات های بی ثمر مبارزه کنند.ما یک الگوریتم ترکیبی کلاسیک کوانتومی را پیشنهاد می کنیم تا یک جانشین کوانتومی صریح (EQS) برای مدلهای ضمنی آموزش دیده ایجاد کنیم.این شامل مورب شدن یک مشاهده از مدل ضمنی و ساخت یک مدار کوانتومی مربوطه با استفاده از یک الگوریتم رمزگذاری خودکار کوانتومی خودکار (AQCE) است.چارچوب EQS هزینه های پیش بینی را کاهش می دهد ، مسائل فلات بی ثمر را کاهش می دهد و نقاط قوت هر دو روش QML را ترکیب می کند.