Dla pewnej klasy problemów uczenia maszynowego dynamiki kwantowej można matematycznie udowodnić separację: komputer kwantowy radzi sobie efektywnie, podczas gdy dla klasycznego jest to zadanie trudne obliczeniowo. ⚛️🤖
Bandyopadhyay, Molteni, Eisert, Dunjko i Jerbi (preprint, oczekuje recenzji) skonstruowali zadanie uczenia nadzorowanego, gdzie na podstawie krótkoczasowych próbek ewolucji nieznanego hamiltonianu należy przewidywać wartości oczekiwane obserwabli. Trening kwantowy rekonstruuje hamiltonian i działa w czasie wielomianowym. Wersja klasyczna napotyka barierę: jej powodzenie implikowałoby BQP⊆P/poly, co jest uznawane
Bandyopadhyay, Molteni, Eisert, Dunjko i Jerbi (preprint, oczekuje recenzji) skonstruowali zadanie uczenia nadzorowanego, gdzie na podstawie krótkoczasowych próbek ewolucji nieznanego hamiltonianu należy przewidywać wartości oczekiwane obserwabli. Trening kwantowy rekonstruuje hamiltonian i działa w czasie wielomianowym. Wersja klasyczna napotyka barierę: jej powodzenie implikowałoby BQP⊆P/poly, co jest uznawane










Trenowano sieci 3D DenseNet121 na pięciu kontrastach MRI od 24 648 osób z UK Biobank. Fuzja T1 i T2 dała najmniejszy błąd (MAE 2,19 roku), lecz każda modalność ujawniła odrębny biologicznie profil. Wiek mózgu z dMRI wiązał się ze sztywnością tętnic i dawał h----d względny cukrzycy typu 2 równy 1,12 (P=2,4×10⁻¹¹). Wiek z SWI najmocniej korelował z czasem reakcji.
źródło: card
Pobierz