Modelli Spettrali Quantistici: Nuova Codifica dei Dati per Input Matriciali
Un nuovo articolo su arXiv introduce i Modelli Spettrali Quantistici (QSMs), un framework di apprendimento automatico quantistico che costruisce unitarie di codifica dei dati direttamente da matrici di input. A differenza delle codifiche standard basate su porte di rotazione coordinate per coordinate, i QSMs costruiscono il generatore dell'unitario a partire da ciascuna matrice, consentendo una rappresentazione esplicita a livello di matrice. Vengono studiate tre varianti: Hamiltoniane simmetriche, a blocchi globali e a blocchi locali non sovrapposti. Gli output producono rappresentazioni di Fourier troncate in cui i gap spettrali dipendenti dall'input determinano i portatori di fase e i sottospazi spettrali influenzano i coefficienti. Il lavoro mira ad allineare il bias induttivo dei modelli quantistici con dati strutturati a matrice. Il preprint è disponibile con ID arXiv 2607.22516.
Fatti principali
- L'articolo introduce i Modelli Spettrali Quantistici (QSMs) per l'apprendimento automatico quantistico.
- I QSMs costruiscono il generatore dell'unitario di codifica dei dati direttamente da ciascuna matrice di input.
- Tre varianti QSM: Hamiltoniane simmetriche, a blocchi globali e a blocchi locali non sovrapposti.
- Gli output ammettono rappresentazioni di Fourier troncate con gap spettrali dipendenti dall'input.
- I sottospazi spettrali aiutano a determinare i coefficienti di Fourier.
- I modelli quantistici standard usano codifiche basate su porte di rotazione coordinate per coordinate che mancano di una rappresentazione esplicita a livello di matrice.
- Obiettivo: allineare il bias induttivo con dati di input a valori matriciali.
- Preprint disponibile su arXiv con ID 2607.22516.
Entità
Istituzioni
- arXiv