Machine learning cuántico
Citas bibliográficas
Enlace de Referencia
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen
En este trabajo realizamos un estudio de una propuesta cuántica para construir un Support Vector Machine (SVM). El cual es uno de los métodos más robustos dentro de Machine learning (ML), para este fin, estudiamos toda la teoría de ML relacionada con SVMs: Paradigma de aprendizaje, clasificación con hiperplanos, cuantificación del error y regularización de conjuntos de hipótesis. Así como el tratamiento de los kernels, el corazón de los SVMs. En paralelo, realizamos un estudio de las bases necesarias de la computación cuántica (QC) para implementar SVM cuánticos. Trabajamos desde qubits, con énfasis en el fenómeno de superposición, hasta algoritmos para estimación de fase, exponenciar operadores e invertir matrices arbitrarias. Juntamos las dos líneas con el estudio detallado del SVM cuántico como fue propuesto por Rebentrost [et al.]. Finalmente, proponemos una extensión a esta formulación para incluir un kernel gaussiano
Hace parte de
Tipo de Contenido
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Descripción general
Incluye referencias bibliográficas
texto
computadora
recurso en línea