Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidad Mayor | - |
Autor(es): dc.contributor | Vicerrectoría de Investigación | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Florida International University | - |
Autor(es): dc.contributor | Santiago de Chile | - |
Autor(es): dc.creator | Tancara, Diego | - |
Autor(es): dc.creator | Dinani, Hossein T. | - |
Autor(es): dc.creator | Norambuena, Ariel | - |
Autor(es): dc.creator | Fanchini, Felipe F. | - |
Autor(es): dc.creator | Coto, Raúl | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:41:14Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:41:14Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-01-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1103/PhysRevA.107.022402 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246795 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246795 | - |
Descrição: dc.description | Quantum machine learning is a growing research field that aims to perform machine learning tasks assisted by a quantum computer. Kernel-based quantum machine learning models are paradigmatic examples where the kernel involves quantum states, and the Gram matrix is calculated from the overlap between these states. With the kernel at hand, a regular machine learning model is used for the learning process. In this paper we investigate the quantum support vector machine and quantum kernel ridge models to predict the degree of non-Markovianity of a quantum system. We perform digital quantum simulation of amplitude damping and phase damping channels to create our quantum data set. We elaborate on different kernel functions to map the data and kernel circuits to compute the overlap between quantum states. We show that our models deliver accurate predictions that are comparable with the fully classical models. | - |
Descrição: dc.description | Centro de Óptica e Información Cuántica Universidad Mayor, Vicerrectoría de Investigación | - |
Descrição: dc.description | Escuela Data Science Facultad de Ciencias Ingenería y Tecnología Universidad Mayor | - |
Descrição: dc.description | Universidad Mayor Vicerrectoría de Investigación | - |
Descrição: dc.description | Faculdade de Ciências UNESP Universidade Estadual Paulista, SP | - |
Descrição: dc.description | Department of Physics Florida International University | - |
Descrição: dc.description | Universidad Bernardo O Higgins Santiago de Chile | - |
Descrição: dc.description | Faculdade de Ciências UNESP Universidade Estadual Paulista, SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Physical Review A | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | Kernel-based quantum regressor models learning non-Markovianity | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: