Buchumschlag

Towards provably efficient quantum algorithms for large-scale machine-learning models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Junyu, Liu, Minzhao, Liu, Jin-Peng, Ye, Ziyu, Wang, Yunfei, Alexeev, Yuri, Eisert, Jens, Jiang, Liang
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Quantum Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards efficient quantum algorithms for diffusion probabilistic models
von: Wang, Yunfei, et al.
Veröffentlicht: (2025)

Towards Symmetry-Aware Efficient Simulation of Quantum Systems and Beyond
von: Chen, Min, et al.
Veröffentlicht: (2023)

Classical algorithm for simulating experimental Gaussian boson sampling
von: Oh, Changhun, et al.
Veröffentlicht: (2023)

Fundamental causal bounds of quantum random access memories
von: Wang, Yunfei, et al.
Veröffentlicht: (2023)

Stochastic noise can be helpful for variational quantum algorithms
von: Liu, Junyu, et al.
Veröffentlicht: (2022)

Learning complexity gradually in quantum machine learning models
von: Recio-Armengol, Erik, et al.
Veröffentlicht: (2024)

Single-shot quantum machine learning
von: Recio-Armengol, Erik, et al.
Veröffentlicht: (2024)

Understanding quantum machine learning also requires rethinking generalization
von: Gil-Fuster, Elies, et al.
Veröffentlicht: (2023)

Exponentially improved efficient machine learning for quantum many-body states with provable guarantees
von: Che, Yanming, et al.
Veröffentlicht: (2023)

Dynamical simulation via quantum machine learning with provable generalization
von: Gibbs, Joe, et al.
Veröffentlicht: (2022)

Learning with errors may remain hard against quantum holographic attacks
von: Wang, Yunfei, et al.
Veröffentlicht: (2025)

Exponential speedup in measurement property learning with post-measurement states
von: Liu, Zhenhuan, et al.
Veröffentlicht: (2026)

Opportunities and limitations of explaining quantum machine learning
von: Gil-Fuster, Elies, et al.
Veröffentlicht: (2024)

Semi-device-independently characterizing quantum temporal correlations
von: Chen, Shin-Liang, et al.
Veröffentlicht: (2023)

Prospects for quantum advantage in machine learning from the representability of functions
von: Masot-Llima, Sergi, et al.
Veröffentlicht: (2025)

Advancing quantum imaging through learning theory
von: Wang, Yunkai, et al.
Veröffentlicht: (2025)

Quantum-data-driven dynamical transition in quantum learning
von: Zhang, Bingzhi, et al.
Veröffentlicht: (2024)

A comprehensive review of Quantum Machine Learning: from NISQ to Fault Tolerance
von: Wang, Yunfei, et al.
Veröffentlicht: (2024)

Measurement-driven quantum advantages in shallow circuits
von: Cao, Chenfeng, et al.
Veröffentlicht: (2025)

Online learning of quantum processes
von: Raza, Asad, et al.
Veröffentlicht: (2024)

Potential and limitations of random Fourier features for dequantizing quantum machine learning
von: Sweke, Ryan, et al.
Veröffentlicht: (2023)

Dynamical transition in controllable quantum neural networks with large depth
von: Zhang, Bingzhi, et al.
Veröffentlicht: (2023)

Robustly learning the Hamiltonian dynamics of a superconducting quantum processor
von: Hangleiter, Dominik, et al.
Veröffentlicht: (2021)

Resource-efficient context-aware dynamical decoupling embedding for arbitrary large-scale quantum algorithms
von: Coote, Paul, et al.
Veröffentlicht: (2024)

Entanglement-induced provable and robust quantum learning advantages
von: Zhao, Haimeng, et al.
Veröffentlicht: (2024)

Mind the gaps: The fraught road to quantum advantage
von: Eisert, Jens, et al.
Veröffentlicht: (2025)

Towards efficient and secure quantum-classical communication networks
von: Zeng, Pei, et al.
Veröffentlicht: (2024)

Optimal algorithmic complexity of inference in quantum kernel methods
von: Gil-Fuster, Elies, et al.
Veröffentlicht: (2026)

Des-q: a quantum algorithm to provably speedup retraining of decision trees
von: Kumar, Niraj, et al.
Veröffentlicht: (2023)

SU(d)-Symmetric Random Unitaries: Quantum Scrambling, Error Correction, and Machine Learning
von: Li, Zimu, et al.
Veröffentlicht: (2023)

Equivalence in delegated quantum computing
von: Wiesner, Fabian, et al.
Veröffentlicht: (2022)

Quantum automated learning with provable and explainable trainability
von: Ye, Qi, et al.
Veröffentlicht: (2025)

Finite temperature tensor network algorithm for frustrated two-dimensional quantum materials
von: Schmoll, Philipp, et al.
Veröffentlicht: (2022)

Stability of digital and analog quantum simulations under noise
von: Rao, Jayant, et al.
Veröffentlicht: (2025)

A measurement-driven quantum algorithm for SAT: Performance guarantees via spectral gaps and measurement parallelization
von: Schreiber, Franz J., et al.
Veröffentlicht: (2025)

The curse of random quantum data
von: Zhang, Kaining, et al.
Veröffentlicht: (2024)

Equivariant score-based generative models provably learn distributions with symmetries efficiently
von: Chen, Ziyu, et al.
Veröffentlicht: (2024)

Training-efficient density quantum machine learning
von: Coyle, Brian, et al.
Veröffentlicht: (2024)

Advantage of multi-partite entanglement for quantum cryptography over long and short ranged networks
von: Memmen, Janka, et al.
Veröffentlicht: (2023)

Quantum Data Center: Perspectives
von: Liu, Junyu, et al.
Veröffentlicht: (2023)