Краткое содержание

arXiv:2511.10709v1 Тип объявления: cross Аннотация: Модели машинного обучения используются для анализа больших данных с помощью распознавания образов без прямого вмешательства человека. Задача обучения без учителя состоит в том, чтобы найти распределение вероятностей, которое наилучшим образом описывает доступные данные, а затем использовать его для прогнозирования интересующих наблюдаемых величин. Классические модели обычно аппроксимируют данные распределением Больцмана для гамильтонианов с большим количеством настраиваемых параметров. Квантовые расширения этих моделей заменяют классические распределения вероятностей квантовыми матрицами плотности. Преимущество может быть достигнуто только тогда, когда используются особенности матриц плотности, отсутствующие в классических распределениях вероятностей. Такие ситуации зависят как от входных данных, так и от целевых наблюдаемых величин. Обсуждаются явные примеры, выявляющие ограничения, сужающие возможное квантовое преимущество. Зависящая от конкретной задачи степень квантового преимущества имеет значение как для анализа данных, так и для сенсинга.