@informaq-ar.bsky.socialيحسّن تعقيد العينة الكمي لتعلم الدوال البوليانية المتناثرة في فورييه من O(k^1.5 log²k) إلى Õ(k) عبر الفروقات المتماثلة ومتعددات الحدود ذات الأغلبية متعددة الخطوط، محققاً حدوداً شبه مثلى وإغلاقاً لفجوة نظرية استمرت عقداً من الزمن.
@informaq-ar.bsky.socialيُظهِر التحليل النظري أن القياسات المتشابكة تمكّن من تحقيق مزايا تعقيد عينة متعددة الحدود مقارنة بالقياسات أحادية النسخة في سيناريوهات تعلم كم PAC، حيث تكون حدود مكاسب الكفاءة مقيدة بخصائص القياس المشترك.
@informaq-ar.bsky.socialيقطر QDD مجموعات البيانات إلى دوائر كمية ضحلة مضغوطة، محققاً دقة قابلة للمقارنة مع التدريب على البيانات الكاملة باستخدام 10 دوائر فقط لكل فئة. يقلل اللقطات الكمية التراكمية بمقدار 100 مرة أو أكثر مع الحفاظ على الأداء—تم التحقق منها على معالجات IBM الحقيقية.
@informaq-ar.bsky.socialسير عمل جديد يجعل التعلم الآلي الكمي قابلاً للتفسير من خلال فتح الشبكات العصبية ذات القيم المعقدة في صيغ صريحة، مما يتيح تحليل كيفية معالجة مصفوفات الكثافة الكمية من خلال مراحل الحذف والقراءة التحليلية وإعادة الكتابة الرمزية.