Newest papers

Supervised Learning with Quantum Hamiltonian Embeddings

Riccardo Molteni, Minjun Jeon, Paolo Braccia, Abhinav Deshpande, Vedran Dunjko, Liang Jiang, Su-un Lee, Swarnadeep Majumder, Javier Robledo Moreno, Parthasarathy Suryanarayanan, Kunal Sharma · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26833 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Машинное обучение широко рассматривается как перспективное применение, в котором квантовые вычисления могут предложить вычислительное преимущество. Однако общие модели квантового машинного обучения с доказательными гарантиями производительности, обучаемости и эффективного вывода остаются ограниченными. В этой работе мы вводим квантовые встраивания Гамильтона, контролируемую учебную рамку, в которой классический набор данных обучения кодируется в единое эффективное, параметризированное Гамильтона. Обучение оптимизирует параметры этого зависимого от данных Гамильтона, приблизительное состояние земли которого определяет правило классификации. Как только состояние земли было приближено с использованием квантового алгоритма, вывод может быть выполнен либо классически с использованием классического представления изученного состояния

Machine translation (Meta M2M100); the English original follows.

Abstract

Machine learning is widely regarded as a promising application in which quantum computing could offer a computational advantage. However, general quantum machine learning models with provable guarantees on performance, trainability, and efficient inference remain limited. In this work, we introduce quantum Hamiltonian embeddings, a supervised learning framework in which a classical training dataset is encoded into a single effective, parameterized Hamiltonian. Training optimizes the parameters of this data-dependent Hamiltonian, whose approximate ground state defines the classification rule. Once the ground state has been approximated using a quantum algorithm, inference can be performed either classically using a classical representation of the learned state, or with a quantum representation of the state. We establish efficient methods for gradient estimation and prove favorable generalization guarantees. Furthermore, under standard cryptographic assumptions, we show that Hamiltonian embeddings can realize hypothesis functions beyond the reach of efficient classical algorithms. We then demonstrate the framework at scale on IBM Heron processors using a standard benchmark dataset. Together, these results establish Hamiltonian embeddings as a new framework for quantum machine learning, combining theoretical guarantees with a path for experimental investigations at scale on quantum hardware.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Hamiltonian (control theory), Quantum, Parameterized complexity, Quantum algorithm, Computer science, Quantum computer

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange