ibm_fez
PulseAugur coverage of ibm_fez — every cluster mentioning ibm_fez across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
量子机器学习在私有健康数据分析方面表现不一 · 追踪2个来源
研究人员探索了单元感知差分隐私量子机器学习（QML）在健康数据上的应用，并将其效用与多层感知机和逻辑回归等经典模型进行了比较。虽然QML在某些临床数据集上表现出更好的性能趋势，但在所有测试的隐私预算和队列中，它并未始终优于经典方法，尤其是在参与者数量较少的可穿戴数据上。该研究还证明了在嘈杂中等规模量子（NISQ）硬件（特别是IBM量子计算机）上进行推理的可行性，错误率极低。
-
量子模型认证成本与测量相关性挂钩，而非参数数量
本文深入探讨了量子模型的计算认证成本，提出测量相关性而非参数数量是关键因素。研究概述了一个用于估算达到特定弗罗贝尼乌斯误差所需的电路执行次数的公式，该公式考虑了读出方差和梯度范数等变量。研究还分析了不同的量子电路族和硬件配置（如 IBM Marrakesh 和 IBM Kingston）如何影响此认证成本，并指出固定的设备连接性可能导致对大型机器上成本的过高估计。
-
分形维度预测角度编码数据中的量子核坍缩
一篇新研究论文提出使用相关分形维度（D2）作为确定角度编码量子核最佳量子比特预算的方法。该方法旨在防止核坍缩，即特征映射比数据内在维度更宽的现象。研究表明，编码D2坐标，而不是使用PCA-95%等更广泛的方法，可以使核在几何上保持“活跃”，并在模拟器和IBM Quantum硬件上匹配精确核结果。
-
IBM 硬件上量子核几何存活率测试
研究人员在 IBM 量子硬件上研究了四量子比特量子核内几何信息的存活情况。该研究聚焦于一种特定的冻结 ZZ 特征映射核，并分析了其在三种执行配置下的性能：基线、动力学解耦和门旋转。结果表明，虽然格拉姆矩阵在执行后普遍存活并能在很大程度上保留状态向量几何，但门旋转被证明是最忠实的方法。然而，最忠实配置与目标标签的对齐度最低，这表明在当前的量子机器学习研究中，实现保真度与任务相关性之间存在脱节。
-
研究人员使用迁移学习以少量样本对量子设备噪声进行建模
研究人员开发了一种少样本迁移学习方法来对量子设备上的噪声进行建模，解决了纠错策略的局限性。通过在IBM量子设备的数据上训练残差神经网络，他们证明了噪声模型可以有效地迁移到另一台设备上，只需极少的微调数据。该方法在恢复理想电路结果方面显示出显著的改进，其中CX门误差和读出误差被确定为跨设备不匹配的主要原因。