Implementation and Learning of Quantum Hidden Markov Models
Auteurs : Vanio Markov, Vladimir Rastunkov, Amol Deshmukh, Daniel Fry, Charlee Stefanski
Résumé : Hidden Markov models are a powerful tool for learning and describing sequential data. In this work, we focus on understanding the advantages of using quantum hidden Markov models over classical counterparts. We propose a practical, hardware efficient quantum circuit ansatz, as well as a training algorithm. We compare results from executions of these dynamic circuits using quantum simulators with results from IBM quantum hardware.
Explorez l'arbre d'article
Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel
Recherchez des articles similaires (en version bêta)
En cliquant sur le bouton ci-dessus, notre algorithme analysera tous les articles de notre base de données pour trouver le plus proche en fonction du contenu des articles complets et pas seulement des métadonnées. Veuillez noter que cela ne fonctionne que pour les articles pour lesquels nous avons généré des résumés et que vous pouvez le réexécuter de temps en temps pour obtenir un résultat plus précis pendant que notre base de données s'agrandit.