Classificateurs de réseaux neuronaux quantiques : un tutoriel

L'apprentissage automatique a connu un succès spectaculaire au cours de la dernière décennie, avec des applications allant de la reconnaissance faciale au traitement du langage naturel. Pendant ce temps, des progrès rapides ont été réalisés dans le domaine du calcul quantique, y compris le développement d'algorithmes quantiques puissants et de dispositifs quantiques avancés. L'interaction entre l'apprentissage automatique et la physique quantique offre le potentiel intrigant d'apporter des applications pratiques à la société moderne. Ici, nous nous concentrons sur les réseaux neuronaux quantiques sous forme de circuits quantiques paramétrés. Nous discuterons principalement des différentes structures et stratégies d'encodage des réseaux neuronaux quantiques pour des tâches d'apprentissage supervisé, et évaluerons leur performance en utilisant Yao.jl, un package de simulation quantique écrit en Julia Language. Les codes sont efficaces, visant à fournir des commodités pour les débutants dans des travaux scientifiques tels que le développement de modèles d'apprentissage quantique variationnels puissants et l'assistance aux démonstrations expérimentales correspondantes.