لتقليل الطلب على الحوسبة في تحليل التقدير الأفضل بالإضافة إلى عدم اليقين (BEPU)، من المتوقع استخدام نموذج تعلم آلي دقيق ومنخفض التكلفة لاستبدال كود RELAP5 عالي الدقة من أجل تحديد سريع لعدم اليقين في قيمة الجدارة المعنية. تعلم الدوائر الكمية هو خوارزمية يمكن أن تعمل على أجهزة الحواسيب الكمية متوسطة الحجم الصاخبة (NISQ). في هذه الورقة، تم التحقيق في قابلية تطبيق طرق التحسين الشائعة في التعلم العميق على تعلم الدوائر الكمية من أجل بناء نموذج يكون فعالًا حتى مع قيود الأجهزة الخاصة بأجهزة NISQ. تم تنفيذ الدوائر الكمية بواسطة Qulacs وتعريفها كطبقة مخصصة في PyTorch. تم استخدام SGD كطريقة للتحسين. عند استخدام SGD، كانت التقارب على بيانات التدريب بطيئًا، ولكن أداء التعميم على بيانات غير التدريب كان جيدًا. واستنتج أن اختيار الخوارزمية والمعلمات الفائقة بشكل مناسب لطريقة التحسين في إطار التعلم العميق يمكن أن يحقق عملية تعلم مع أداء عمومي جيد ويمكن بناء نموذج تعلم بدقة تنبؤ جيدة لقيمة الاحتمال التراكمي البالغة 95٪.
إيكو كينوشيتا (الأربعاء) درس هذا السؤال.