IBM Heron
PulseAugur coverage of IBM Heron — every cluster mentioning IBM Heron across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
量子神经网络取代大语言模型中的Transformer块
研究人员开发了一种新颖的多头量子神经网络（QNN），旨在替换大语言模型（LLM）中的Transformer块。这种量子模块与嘈杂中等规模量子（NISQ）设备兼容，目标是在不显著损失准确性的情况下减少参数数量。该方法将隐藏空间划分为更小的片段，并行处理它们，并通过经典线性层进行集成。在Qwen3-30B-A3B-Instruct-2507模型上的实验表明，单个多头QNN可以替换大部分Transformer块，并且其量子组件已在IBM H…
-
新的QAOA验证方法揭示量子处理器局限性
研究人员在arXiv上发表了一篇论文，详细介绍了一种在超导处理器上验证量子近似优化算法（QAOA）执行的新方法。该研究在IBM Heron处理器上测试了深度为2的转移角度QAOA电路，发现虽然均值归一化差距保留了大部分无噪声改进，但获得最优比特串的概率要低得多。研究结果表明，当前的验证方法可能高估了量子处理器在优化任务上的性能，并且报告最优和接近最优集合的保留情况至关重要。
-
量子 GAN 以更少的参数推进 AI 驱动的药物设计
研究人员开发了一种新颖的潜在风格化量子 Wasserstein GAN (QGAN)，旨在加速和提高从头药物设计的效率。这种混合量子-经典模型结合了变分自编码器和量子 GAN，旨在克服经典生成模型中常见的训练困难和模式崩溃问题。尽管可训练参数数量大大减少，QGAN 在 MOSES 套件上的性能与经典基线相当，并在特定的药物相关指标上取得了显著的提升。
-
为监督学习引入量子哈密顿量嵌入框架
研究人员引入了一种新颖的监督学习框架，称为量子哈密顿量嵌入，它将经典数据集编码到参数化哈密顿量中。该框架优化了这种依赖于数据的哈密顿量，其近似基态定义了分类规则。该方法在性能和泛化方面提供了理论保证，并在IBM Heron处理器上进行了大规模演示。
-
探索具有耗散内存的量子原生语言模型
研究人员开发了可训练的量子原生语言模型，这些模型利用量子寄存器作为其隐藏状态，并学习令牌条件量子通道。这些模型旨在直接从玻恩规则测量中生成下一个字节的概率，绕过了传统的经典词汇投影。虽然这些模型在与单令牌控制相比表现有所提高，但它们并未超越经典的n-gram基线，也没有声称具有计算量子优势。该研究还探讨了容量限制和在IBM Heron上的硬件验证，在测试电路中展示了对抗均匀零值的信号。
-
AI初创公司VIDRAFT获准使用Quantinuum量子计算平台
韩国AI初创公司VIDRAFT已被选为其Quantinuum量子计算平台的企业用户，这标志着AI开发正朝着量子-经典混合方法迈进。VIDRAFT此前曾在IBM的Heron处理器上进行过工作，并开发了一个用于复杂物理模型的AI求解器，这可能是他们被选中使用Quantinuum先进H系列系统的原因。此次合作表明VIDRAFT正在探索将量子计算应用于AI任务的增强功能，但具体应用仍未披露。
-
QANTIS 量子信念更新在 IBM Heron 上实现 32 步
QANTIS 量子信念更新系统已证明能够在 IBM Heron 量子硬件上跨 32 个规划步骤保持准确性。该系统成功更新了信念，而未改变经典规划器通常会采取的行动方案，基准测试显示了这一点。
-
QANTIS 系统使用量子处理器在 IBM Heron 上进行信念更新
研究人员开发了 QANTIS 系统，该系统利用量子处理器作为部分可观测性下运行的自主系统的校准信念更新服务。该方法旨在通过接收先验和观测模型来为经典规划器提供后验信念，然后估计稀有事件证据。在 IBM Heron 上进行的受控硬件研究表明，QANTIS 系统，特别是采用全步固定点放大时，可以在序列视界内保持 Tiger POMDP 的后验，而不会破坏面向规划器的后验。研究发现，硬件衍生的后验与精确贝叶斯后验一致地选择了相同的即时动作，…
-
纠缠而非参数决定量子策略泛化能力
一项新的研究论文提出，在量子强化学习策略中，决定泛化能力的关键因素是纠缠，而不是参数的数量。该研究引入了一个PAC-贝叶斯框架，其中受纠缠影响的Fisher几何的有效维度决定了训练-测试差距。实验表明，即使纠缠电路的参数数量与非纠缠电路相同，其泛化能力也往往较差，这一发现已在IBM Heron量子处理器上得到验证。
-
图强化学习路由器利用校准数据提升量子电路保真度
研究人员开发了一种新的量子电路路由方法，该方法使用图强化学习并整合了量子处理器中的校准数据。该方法使用近端策略优化进行训练，并在 Munich Quantum Toolkit Bench 电路集上进行评估，实现了 0.727 的平均精确保真度。通过基于实时硬件校准优化路由，该方法显著优于 SABRE-best20 (0.440) 和 target-aware SABRE (0.481) 等标准方法，尤其是在较小的量子比特族中。研究表明…
-
感知校准的强化学习增强量子电路路由
研究人员开发了一种新颖的量子电路路由方法，该方法结合了校准数据以提高保真度。这种图强化学习方法利用IBM Heron处理器上的当日校准信息来选择硬件边缘的SWAP门，在精确模拟保真度方面优于SABRE-best20和target-aware SABRE等标准路由方法。虽然学习到的路由增加了双量子比特门的路由数量，但它在保真度方面显示出显著的改进，尤其是在较小的电路系列中，这表明量子处理器具有更鲁棒的编译策略。
-
量子核分析揭示量子GP中的统一病理
研究人员开发了一种新的诊断工具来分析量子高斯过程核，揭示了量子机器学习中看似无关的问题都由同一个基本量控制：核Gram矩阵的归一化谱熵。该诊断方法已在各种核族中得到经验验证，并成功地从模拟器转移到IBM Heron硬件，错误率很低。研究结果表明，最优核熵取决于目标数据，为改进量子机器学习中的贝叶斯优化提供了见解。