PulseAugur
中
实时 08:26:18
English(EN) Neural Guided Sampling for Quantum Circuit Optimization

量子计算研究探索电路优化和PQC性能

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文探讨了量子计算的进展，重点关注电路优化和性能的不同方面。第一篇论文介绍了一种神经引导采样方法，用于减少量子电路在转译后的复杂性，与现有的Qiskit和BQSKit优化级别相比，效率更高。第二篇论文研究了深度参数化量子电路（PQC），发现它们可以表现出双下降行为，随着模型尺寸的增加，在未见过的数据上性能得到改善，为量子机器学习提供了谨慎乐观的前景。 AI

影响 这些论文为量子计算的奠基性理解和实际应用做出了贡献，有可能加速量子机器学习和复杂模拟等领域的进步。

排序理由 两篇关于量子计算研究的arXiv论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

量子计算研究探索电路优化和PQC性能

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Bodo Rosenhahn, Tobias J. Osborne, Christoph Hirche ·

    面向量子电路优化的神经引导采样

    arXiv:2510.12430v2 Announce Type: replace-cross Abstract: Translating a general quantum circuit on a specific hardware topology with a reduced set of available gates, also known as transpilation, comes with a substantial increase in the length of the equivalent circuit. Due to de…

  2. arXiv stat.ML TIER_1 Português(PT) · Marie Kempkes, Elies Gil-Fuster, Carlos Bravo-Prieto, Aroosa Ijaz, Alissa Wilms, Jens Eisert, Evert van Nieuwenburg, Vedran Dunjko ·

    深度参数化量子电路的谨慎乐观

    arXiv:2607.21409v1 Announce Type: cross Abstract: A central challenge in quantum machine learning is understanding the scaling behavior of parameterized quantum circuits (PQCs). In particular, it remains unclear how their performance on unseen data changes as the number of traina…

相关实体

相关话题