MARC

 008260126s2025        us                              c    eng  d
■001000017358942
■00520260202104812
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293894499
■035    ▼a(MiAaPQ)AAI32167568
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530.1
■1001  ▼aHu,  Fangjun.▼0(orcid)0000-0003-1955-3724
■24510▼aQuantum  Machine  Learning  in  Noisy  Intermediate-Scale  Quantum  Era
■260    ▼a[Sl]▼bPrinceton  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a239  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Tureci,  Hakan  E.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2025.
■520    ▼aWith  the  rapid  advancement  of  quantum  technologies,  the  application  of  quantum  computing  to  machine  learning  (ML)  tasks  has  attracted  growing  interest,  especially  in  the  Noisy  Intermediate-Scale  Quantum  (NISQ)  era.  The  emerging  field  of  Quantum  Machine  Learning  (QML)  explores  how  quantum  resources  can  benefit  ML,  yet  concrete  advantages  over  classical  methods  on  classical  data  remain  elusive.  In  practice,  QML  faces  several  major  obstacles:  barren  plateaus  -  a  phenomenon  where  the  loss  function  gradient  vanishes  -  hinder  effective  training,  while  quantum  shot  noise  -  uncertainty  from  finite  sampling  -  limits  both  training  and  generalization  accuracy.  Additionally,  the  limited  coherence  time  of  NISQ  devices  poses  challenges  for  learning  on  temporal  or  streaming  data.  Among  various  QML  approaches,  Quantum  Reservoir  Computing  (QRC)  has  emerged  as  a  promising  alternative.  Inspired  by  classical  recurrent  neural  networks  and  quantum  kernel  methods,  QRC  circumvents  the  need  for  extensive  parameter  training  of  deep  quantum  circuits,  thereby  avoiding  barren  plateaus.  However,  QRC  remains  affected  by  quantum  noise  and  decoherence.This  thesis  introduces  theoretical  frameworks  -  Resolvable  Expressive  Capacity  and  Eigentask  Analysis  -  which  rigorously  quantify  the  expressive  power  of  QRC  under  shot  noise.  By  identifying  the  noise-resilient  features  of  the  function  space  of  QRC,  this  framework  provides  practical  guidelines  for  enhancing  generalization  in  noisy  quantum  systems.  It  also  reveals  deep  connections  between  QML,  quantum  metrology,  and  quantum  dynamics,  opening  new  avenues  for  interdisciplinary  research.  Furthermore,  I  present  a  hardware-compatible  implementation,  NISQ  Reservoir  Computing  (NISQRC),  which  uses  partial  measurements  and  deterministic  resets  to  realize  QRC  with  a  finite  temporal  memory  that  persists  indefinitely.  Finally,  I  explore  a  novel  QML  optimization  strategy  -  Reservoir  Gradient  Descent  -  that  provides  a  surrogate  loss  landscape  derived  from  the  reservoir  in  the  presence  of  shot  noise,  by  fully  utilizing  the  convexity  in  output  layers  of  QML.  Most  of  these  theoretical  investigations  have  been  experimentally  validated  on  state-of-the-art  superconducting  quantum  platforms.These  approaches  enable  efficient  parameter  training,  stronger  generalization  ability,  and  longer  memory  persistence.  They  provide  powerful  tools  to  more  robust  and  higher-performance  QML  algorithms  suited  for  current  and  near-term  quantum  hardware.
■590    ▼aSchool  code:  0181.
■650  4▼aQuantum  physics
■650  4▼aComputer  science
■650  4▼aComputational  physics
■653    ▼aPhysical  learning
■653    ▼aQuantum  computing
■653    ▼aQuantum  Machine  Learning
■653    ▼aQuantum  sensing
■690    ▼a0599
■690    ▼a0984
■690    ▼a0800
■690    ▼a0216
■71020▼aPrinceton  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358942▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books