按年被提到
20142014 · 2 次2026
物理与量子›量子计算·arXiv:1412.3489 · quant-ph

Quantum Deep Learning

量子深度学习
Nathan Wiebe, Ashish Kapoor, Krysta M. Svore · 2014

用量子算法加速深度玻尔兹曼机训练并拓展可训练模型

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 4 人首次 2014-12-13 · 最近 2017-09-25发表于 Quantum Information and Computation
4不同的人
3活跃月份
4讨论串
84被引(OpenAlex)

论文表明量子计算不仅能缩短训练深度受限玻尔兹曼机所需的时间,还提供比经典计算更丰富、更全面的深度学习框架,并显著改进底层目标函数的优化。所提量子方法还允许高效训练全玻尔兹曼机和多层全连接模型,而这些模型没有广为人知的经典对应方法。

HN 为什么提它

评论者引用它讨论量子计算与机器学习优化的关系,其中一人提到可以把量子系统的状态空间视为模型的权重空间。

方法难度 5 / 5约 60 分钟经得起时间
读之前最好知道
1受限玻尔兹曼机(RBM)与深度信念网络
2量子计算与量子算法基础
3概率模型的训练与采样
4优化目标函数与梯度方法

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用mastazi · 2016-09

“The ideas in this paper are related: Quantum Deep Learning”

指出这篇论文的想法与量子退火和机器学习优化相关
D-Wave Systems Previews 2000-Qubit Quantum System原评论 ↗
引用SomeStupidPoint · 2017-09

“you can get improvements by considering the space of possible states of your quantum system to be the space of weights for your model”

说明可把量子系统的状态空间当作模型的权重空间来获得改进
General purpose quantum computing closer to reality with Microsoft breakthroughs原评论 ↗
被提交为 story · 2 次