趋近智
高级量子机器学习算法与实现
章节 1: 重温量子计算与机器学习基础知识
量子态的高级线性代数
量子电路与通用门集重温
量子纠缠与非局域性对量子机器学习的影响
QML中的密度矩阵与混合态
经典机器学习优化方法回顾
信息几何在经典与量子模型中
经典与量子算法的复杂度理论
章节 2: 高级量子数据编码与特征映射
量子特征映射的数学原理
高阶多项式量子特征映射
数据重上传技术：提升表达能力
特征映射表达能力与纠缠能力的分析
核对齐与量子特征空间
高维经典数据编码
动手实践：实现定制量子特征映射
章节 3: 量子核方法：理论与实现
量子核方法技巧的形式体系
计算量子核矩阵
量子核的性质
经典核与量子核的几何差异
核函数集中现象与缓解
量子核支持向量机 (QSVM)
QSVM在复杂数据集上的实施
动手实践：比较量子核函数
章节 4: 变分量子算法在机器学习中的应用
量子计算中的变分原理
参数化量子电路 (PQC) 设计策略
QML任务的代价函数
梯度计算方法
变分量子算法的进阶经典优化器
量子自然梯度下降
荒原高原的分析与缓解
动手实践：实现变分量子分类器
章节 5: 量子神经网络：架构与训练
量子神经元和层模型
量子电路波恩机 (QCBMs)
量子卷积神经网络 (QCNNs)
量子图神经网络 (QGNNs)
混合量子-经典神经网络结构
量子神经网络训练的难点与方法
量子神经网络的过拟合与泛化
实践：构建与训练一个简单QNN
章节 6: 量子生成模型
经典生成模型回顾
量子电路玻恩机用于分布学习
量子生成对抗网络 (QGANs)
训练 QGAN 的挑战与架构
评估量子生成模型
量子生成模型取样
动手实践：实现一个基础QGAN
章节 7: 量子机器学习中的硬件考量与误差缓解
表征量子硬件噪声
噪声对QML算法性能的影响
量子误差缓解技术
电路优化与转译
硬件高效Ansätze设计
在实际量子设备上进行QML算法基准测试
实践：将错误缓解应用于VQC
表征量子硬件噪声
这部分内容有帮助吗？
- Quantum Computation and Quantum Information, Michael A. Nielsen, Isaac L. Chuang, 2010 (Cambridge University Press) - 一本关于量子力学和量子信息的经典教材，全面涵盖量子噪声、退相干和基本错误模型等基础概念。
- Randomized benchmarking of quantum gates, E. Knill, D. Leibfried, R. Reichle, J. Britton, R. B. Blakestad, J. D. Jost, C. Langer, R. Ozeri, S. Seidelin, and D. J. Wineland, 2008 Physical Review A, Vol. 77 (American Physical Society) DOI: 10.1103/PhysRevA.77.012307 - 一篇介绍随机基准测试的奠基性论文，这是一种用于评估量子门平均保真度的可扩展协议，对表征硬件性能至关重要。
- Robust, self-consistent, closed-form characterization of quantum devices by Gate Set Tomography, Robin Blume-Kohout, John King Gamble, Erik Nielsen, Jonathan Maunz, Nick DeMarco, Kevin Fortier, Clinton Tezak, and David Wineland, 2017 New Journal of Physics, Vol. 19 DOI: 10.1088/1367-2630/aa65f6 - 一篇详细介绍门集层析成像 (GST) 的重要出版物，这是一种同时表征量子门、态制备和测量误差的先进且高精度方法。
- Quantum Computing in the NISQ era and beyond, John Preskill, 2018 Quantum, Vol. 2 (Verein zur Förderung des Open Access Publizierens in den Quantenwissenschaften) DOI: 10.22331/q-2018-08-06-79 - 一篇极具影响力的综述文章，定义了NISQ时代，并强调了当前量子硬件中噪声和错误带来的挑战，为表征的必要性提供了背景。