ترجمه فارسی مقاله روش‌های هسته کوانتومی تحت بررسی: یک مطالعه محک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Quantum Kernel Methods under Scrutiny: A Benchmarking Study
عنوان مقاله به فارسی روش‌های هسته کوانتومی تحت بررسی: یک مطالعه محک
نویسندگان Jan Schnabel, Marco Roth
فرمت مقاله انگلیسی PDF
تعداد صفحات 45
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,Machine Learning,فیزیک کوانتومی , یادگیری ماشین ,
توضیحات Submitted 6 September, 2024; originally announced September 2024. , Comments: 19 pages main text including 12 figures, appendix 25 pages with 31 figures
توضیحات به فارسی ارسال شده در 6 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 19 صفحه متن اصلی شامل 12 شکل ، پیوست 25 صفحه با 31 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Since the entry of kernel theory in the field of quantum machine learning, quantum kernel methods (QKMs) have gained increasing attention with regard to both probing promising applications and delivering intriguing research insights. Two common approaches for computing the underlying Gram matrix have emerged: fidelity quantum kernels (FQKs) and projected quantum kernels (PQKs). Benchmarking these methods is crucial to gain robust insights and to understand their practical utility. In this work, we present a comprehensive large-scale study examining QKMs based on FQKs and PQKs across a manifold of design choices. Our investigation encompasses both classification and regression tasks for five dataset families and 64 datasets, systematically comparing the use of FQKs and PQKs quantum support vector machines and kernel ridge regression. This resulted in over 20,000 models that were trained and optimized using a state-of-the-art hyperparameter search to ensure robust and comprehensive insights. We delve into the importance of hyperparameters on model performance scores and support our findings through rigorous correlation analyses. In this, we also closely inspect two data encoding strategies. Moreover, we provide an in-depth analysis addressing the design freedom of PQKs and explore the underlying principles responsible for learning. Our goal is not to identify the best-performing model for a specific task but to uncover the mechanisms that lead to effective QKMs and reveal universal patterns.

چکیده به فارسی (ترجمه ماشینی)

از زمان ورود نظریه هسته در زمینه یادگیری ماشین کوانتومی ، روشهای هسته کوانتومی (QKM) با توجه به برنامه های کاربردی امیدوار کننده و ارائه بینش های تحقیقاتی جذاب ، توجه بیشتری را به خود جلب کرده اند.دو روش متداول برای محاسبه ماتریس گرم زیرین پدید آمده است: هسته های کوانتومی Fidelity (FQKS) و هسته های کوانتومی پیش بینی شده (PQKS).معیار این روشها برای به دست آوردن بینش قوی و درک کاربرد عملی آنها بسیار مهم است.در این کار ، ما یک مطالعه جامع در مقیاس بزرگ را بررسی می کنیم که QKMS را بر اساس FQK ها و PQK ها در یک منیفولد از گزینه های طراحی بررسی می کند.تحقیقات ما شامل طبقه بندی و رگرسیون برای پنج خانواده مجموعه داده و 64 مجموعه داده است ، به طور سیستماتیک استفاده از دستگاه های بردار پشتیبانی FQKS و PQKS و رگرسیون ریج هسته را مقایسه می کند.این منجر به بیش از 20،000 مدل شد که با استفاده از یک جستجوی بیش از حد پیشرفته از هنر ، آموزش و بهینه سازی شده اند تا از بینش های قوی و جامع اطمینان حاصل کنند.ما به اهمیت هایپرپارامترها در نمرات عملکرد مدل می پردازیم و از طریق تجزیه و تحلیل همبستگی دقیق از یافته های خود پشتیبانی می کنیم.در این مورد ، ما همچنین دو استراتژی رمزگذاری داده را از نزدیک بررسی می کنیم.علاوه بر این ، ما یک تجزیه و تحلیل عمیق را ارائه می دهیم که به آزادی طراحی PQK ها می پردازد و اصول اساسی مسئول یادگیری را کشف می کنیم.هدف ما شناسایی مدل بهترین عملکرد برای یک کار خاص نیست بلکه کشف مکانیسم هایی است که منجر به QKM های مؤثر و آشکار کردن الگوهای جهانی می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.