IQM Quantum Computers
PulseAugur coverage of IQM Quantum Computers — every cluster mentioning IQM Quantum Computers across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
量子电路赋能多模态AI在组合概念上的泛化能力
研究人员开发了Mu-DisCoCat，一个利用变分量子电路在多模态AI系统中实现组合概念泛化（CoCoGen）的新框架。该方法通过将传统组合语义模型的扩展瓶颈映射到量子电路上来解决这些问题。该框架从图像-文本对中学习对象表示，然后利用这些表示来理解多对象场景中的关系，展示出比现有基线更高的分布外准确率。在嘈杂的量子模拟器和IBM Marrakesh处理器上的实验表明，硬件执行的模型与模拟保真度保持了很强的相关性，预示着其在近期量子硬件…
-
量子机器学习研究在纠错和表示学习方面取得进展
研究人员正在开发先进的机器学习技术，以增强量子纠错和表示学习。一种方法侧重于通过适应特定的噪声结构来自动化选择最优的量子纠错码，从而显著减少所需的量子比特数量。另一种方法利用变分技术，通过最大化状态可区分性来发现资源高效的编码电路，并在IBM和IQM硬件上进行了演示。此外，还提出了一个从量子数据中进行无监督表示学习的框架，探索了量子模型中的推理和生成能力，另一项研究则将量子信号处理作为表示学习的模型，并具有可证明的训练动力学。
-
内部人士表示，量子计算的炒作可能是真正的威胁
量子计算正面临审查，因为围绕其潜力的炒作可能掩盖了实际进展。作为一家知名的量子初创公司，IQM已表明，预期的革命性突破可能不会如期实现。尽管已交付了23台量子计算机，该公司认为该领域的未来是不确定的，这挑战了长期以来关于必然进步的论调。
-
量子扩散模型在时间序列合成方面展现潜力
研究人员开发了QDiffusion-TS，这是一种新颖的量子生成扩散模型，旨在合成真实世界的时间序列数据。该混合模型将量子神经网络集成到经典扩散架构中，显著减少了可训练参数的数量。在对Apple Inc.和.amazon的金融数据进行测试时，QDiffusion-TS与经典模型相比，沃瑟斯坦距离减少了44%，并且在RMSE方面将下游预测性能提高了高达71%。
-
HPE 扩大量子合作以实现混合超级计算
慧与（HPE）正通过与八家量子技术公司建立新的合作伙伴关系，来扩展其量子计算计划。该公司旨在将量子处理器与其现有的超级计算机和 AI 系统集成，以创建混合计算环境。该战略涉及探索各种量子架构，并开发必要的基础设施，包括低延迟互连和先进的编排软件，以弥合经典计算与量子计算之间的差距，从而应用于未来的科学和工业领域。
-
量子信息机器学习在混沌预测中展现实际优势
研究人员开发了一个新的理论框架，用于在量子信息机器学习中实现实际量子优势，特别是在预测混沌系统方面。该方法利用高阶量子统计先验（Q-Priors）来紧凑地存储复杂的相关性，并能够比经典方法使用更少的副本更有效地提取信息。该方法已在模拟和超导处理器上得到验证，通过提高异常相关技能和减少长周期预测崩溃，在天气预报等应用中显示出潜力。