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

Vietnamese

Máy học được thiết lập rộng rãi được coi là một ứng dụng khung đầy hứa hẹn trong đó máy tính lượng tử có thể cung cấp một lợi thế tính toán. Tuy nhiên, các mô hình học máy lượng tử chung với các đảm bảo có thể chứng minh về hiệu suất, khả năng đào tạo và kết luận hiệu quả vẫn còn hạn chế. Trong công việc này, chúng tôi giới thiệu các nhúng Hamiltonian lượng tử, một khuôn khổ học tập được giám sát trong đó một tập dữ liệu đào tạo cổ điển được mã hóa thành một đại diện cổ điển hiệu quả, được tham số hóa Hamiltonian. Đào tạo tối ưu hóa các thông số của Hamiltonian phụ thuộc dữ liệu này, có trạng thái đất gần đúng xác định quy tắc phân loại. Một khi trạng thái đất đã được gần gũi bằng cách sử dụng thuật toán lượng tử, kết luận có thể được thực hiện theo cách cổ điển bằng

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