เป็นไปได้หรือไม่ที่จะเพิ่มความเร็วในการสร้างเมทริกซ์การถ่วงน้ำหนักโดยใช้อัลกอริทึมควอนตัม?
ในนี้[1]กระดาษหน้า 2 พวกเขาพูดถึงว่าพวกเขาจะสร้างเมทริกซ์น้ำหนักดังนี้ W=1Md[∑m=1m=Mx(m)(x(m))T]−IddW=1Md[∑m=1m=Mx(m)(x(m))T]−IddW = \frac{1}{Md}[\sum_{m=1}^{m=M} \mathbf{x}^{(m)}\left(\mathbf{x}^{(m)}\right)^{T}] - \frac{\Bbb I_d}{d} โดยที่ 's เป็นตัวอย่างการฝึกอบรมมิติ (เช่นโดยที่ ) และมีตัวอย่างการฝึกอบรมทั้งหมด การสร้างเมทริกซ์การถ่วงน้ำหนักนี้โดยใช้การคูณเมทริกซ์ตามด้วยผลรวมของเงื่อนไขดูเหมือนว่าเป็นการดำเนินการที่มีค่าใช้จ่ายสูงในแง่ของเวลาที่ซับซ้อนเช่นฉันเดา (?)x(m)x(m)\mathbf{x}^{(m)}dddx:={x1,x2,...,xd}Tx:={x1,x2,...,xd}T\mathbf{x} := \{x_1,x_2,...,x_d\}^{T}xi∈{1,−1} ∀ i∈{1,2,...,d}xi∈{1,−1} ∀ i∈{1,2,...,d}x_i \in \{1,-1\} \ \forall \ i\in \{1,2,...,d\}MMMMMMO(Md)O(Md)O(Md) มีอัลกอริทึมควอนตัมใด ๆ ที่สามารถให้ความเร็วที่มากขึ้นสำหรับการสร้างเมทริกซ์การถ่วงน้ำหนักหรือไม่? ฉันคิดว่าในกระดาษการเร่งความเร็วหลักของพวกเขามาจากอัลกอริทึมการกลับตัวของควอนตัมควอนตัม (ซึ่งถูกกล่าวถึงในภายหลังบนกระดาษ) แต่ดูเหมือนว่าพวกเขาไม่ได้คำนึงถึงแง่มุมของการสร้างเมทริกซ์ถ่วงน้ำหนักนี้ [1]: Quantum Hopfield Neural Network Lloyd และคณะ (2018)