PulseAugur
中
实时 08:58:02
English(EN) Quantum feature-map learning with reduced resource overhead

量子算法Q-FLAIR大幅降低了机器学习的资源需求

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Q-FLAIR的新算法，以减少量子机器学习特征图所需的计算资源。该方法将大量工作负载转移到经典计算机上，从而能够用更少的评估来训练复杂的量子模型。Q-FLAIR在分类器上展示了最先进的性能，并使用真实的IBM量子设备在短短四个小时内就在MNIST数据集上实现了超过90%的准确率，这在以前由于硬件需求而被认为是不可能实现的壮举。 AI

影响 使更复杂的量子机器学习模型能够在近期量子硬件上进行训练。

排序理由 这是一篇详细介绍量子机器学习新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jonas J\"ager, Philipp Els\"asser, Elham Torabian ·

    具有降低资源开销的量子特征图学习

    arXiv:2510.03389v2 Announce Type: replace-cross Abstract: Current quantum computers require algorithms that use limited resources economically. In quantum machine learning, success hinges on quantum feature-maps, which embed classical data into the state space of qubits. We intro…

相关实体

相关话题