Copertina

Weak forms offer strong regularisations: how to make physics-informed (quantum) machine learning more robust

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Paine, Annie E., Chaudhary, Smit, Gentile, Antonio A.
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Quantum Physics
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Differential equation quantum solvers: engineering measurements to reduce cost
di: Paine, Annie, et al.
Pubblicazione: (2025)

Quantum algorithm for solving nonlinear differential equations based on physics-informed effective Hamiltonians
di: Wu, Hsin-Yu, et al.
Pubblicazione: (2025)

Conservative quantum offline model-based optimization
di: Sotirov, Kristian, et al.
Pubblicazione: (2025)

Vortex Detection from Quantum Data
di: Williams, Chelsea A., et al.
Pubblicazione: (2025)

Potential of quantum scientific machine learning applied to weather modelling
di: Jaderberg, Ben, et al.
Pubblicazione: (2024)

What can we learn from quantum convolutional neural networks?
di: Umeano, Chukwudubem, et al.
Pubblicazione: (2023)

The interplay of robustness and generalization in quantum machine learning
di: Berberich, Julian, et al.
Pubblicazione: (2025)

Detection of quantum information masking via machine learning
di: Mao, Sheng-Ao, et al.
Pubblicazione: (2025)

A unified quantum computing quantum Monte Carlo framework through structured state preparation
di: Buonaiuto, Giuseppe, et al.
Pubblicazione: (2026)

Weak continuous measurements require more work than strong ones
di: Ferraz, Lorena Ballesteros, et al.
Pubblicazione: (2025)

Improving robustness of quantum feedback control with reinforcement learning
di: Guatto, Manuel, et al.
Pubblicazione: (2024)

Protocols for Trainable and Differentiable Quantum Generative Modelling
di: Kyriienko, Oleksandr, et al.
Pubblicazione: (2022)

Weak measurement in strong laser field physics
di: Stammer, Philipp, et al.
Pubblicazione: (2025)

A quantum machine learning classifier to search for new physics
di: Yang, Ji-Chong, et al.
Pubblicazione: (2024)

Optimal and robust error filtration for quantum information processing
di: Ali, Aaqib, et al.
Pubblicazione: (2024)

Tikhonov-regularised projected gradient flow for equality-constrained bilinear quantum control
di: Ahmad, Tanveer
Pubblicazione: (2026)

Exploring quantum localization with machine learning
di: Montes, J., et al.
Pubblicazione: (2024)

Local surrogates for quantum machine learning
di: Nair, Sreeraj Rajindran, et al.
Pubblicazione: (2025)

Measurement-based quantum machine learning
di: Calderón, Luis Mantilla, et al.
Pubblicazione: (2024)

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

Molecular representations of quantum circuits for quantum machine learning
di: Torabian, Elham, et al.
Pubblicazione: (2025)

Beyond Penrose tensor diagrams with the ZX calculus: Applications to quantum computing, quantum machine learning, condensed matter physics, and quantum gravity
di: Wang, Quanlong, et al.
Pubblicazione: (2025)

$η$ regularisation and the functional measure
di: Smith, Robert G. C., et al.
Pubblicazione: (2025)

Nanodiamond quantum thermometry assisted with machine learning
di: Yamamoto, Kouki, et al.
Pubblicazione: (2025)

Quantum Circuit Training with Growth-Based Architectures
di: Duffy, Callum, et al.
Pubblicazione: (2024)

The power of entanglement in distributed quantum machine learning
di: Kim, Yerim, et al.
Pubblicazione: (2026)

Why we care (about quantum machine learning)
di: Wolf, Richard A.
Pubblicazione: (2024)

Encoding molecular structures in quantum machine learning
di: Boy, Choy, et al.
Pubblicazione: (2025)

A Kerr kernel quantum learning machine
di: Wood, Carolyn, et al.
Pubblicazione: (2024)

Research progress on quantum neural networks and quantum machine learning
di: Sun, Yifan, et al.
Pubblicazione: (2026)

Fundamental questions on robustness and accuracy for classical and quantum learning algorithms
di: Liu, Nana
Pubblicazione: (2026)

Can machine learning for quantum-gas experiments be explainable?
di: Zwolak, I. B. Spielman amd J. P.
Pubblicazione: (2026)

Supervised learning for robust quantum control in composite-pulse systems
di: Shi, Zhi-Cheng, et al.
Pubblicazione: (2023)

Gauge invariance and generalised $η$ regularisation
di: Padilla, Antonio, et al.
Pubblicazione: (2024)

Black hole/quantum machine learning correspondence
di: Lee, Jae-Weon, et al.
Pubblicazione: (2025)

Observation of quantum information collapse-and-revival in a strongly-interacting Rydberg atom array
di: Xiang, De-Sheng, et al.
Pubblicazione: (2024)

Reinforcement learning-based architecture search for quantum machine learning
di: Rapp, Frederic, et al.
Pubblicazione: (2024)

Automated quantum system modeling with machine learning
di: Mukherjee, Kaustav, et al.
Pubblicazione: (2024)

A robust approach for time-bin encoded photonic quantum information protocols
di: White, Simon J. U., et al.
Pubblicazione: (2024)

Why engineers are right to avoid the quantum reality offered by the orthodox theory?
di: Oriols, X., et al.
Pubblicazione: (2024)