noisy intermediate-scale quantum era
PulseAugur coverage of noisy intermediate-scale quantum era — every cluster mentioning noisy intermediate-scale quantum era across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
专为NISQ时代设计的新型量子图学习架构
研究人员开发了一种新颖的量子图卷积架构，该架构专为嘈杂中等规模量子（NISQ）时代的无监督学习而设计。该方法利用变分量子特征提取层，并结合受量子交替算子近似（QAOA）启发的边缘局部和量子比特高效量子消息传递机制。通过将消息传递分解为成对交互，该设计显著减少了量子比特需求，使其在当前的量子设备上可行。在Cora引文网络等数据集上的实验表明，与现有的量子和混合方法相比，该方法具有竞争力。
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架，用于多变量时间序列预测，旨在运行在近期含噪声的中等规模量子（NISQ）硬件上。这些框架，包括量子水库预测器（QRC-F）和变分量子预测器（VQF-F），将时间序列数据转换为量子态，并利用纠缠来捕捉变量间的依赖关系。实验表明，与经典方法相比，这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高，并可能应用于各种预测任务。
-
Optimal FALQON 增强了 NISQ 设备上的量子优化性能
研究人员推出了一种名为 Optimal FALQON 的方法，它是基于反馈的自适应量子优化 (FALQON) 方法的增强版本，旨在提高在嘈杂中等规模量子 (NISQ) 设备上的性能。该新方法将每层的时步和缩放因子视为经典优化的决策变量，解决了标准 FALQON 中固定超参数的局限性。在 3-正则图上的实证研究表明，与标准 FALQON 和各种 QAOA 变体相比，Optimal FALQON 在成功概率和评估效率方面取得了统计学上的显…
-
新框架助力量子就绪电池数据集的发现
研究人员推出 IonSense-QKG，一个旨在帮助发现和评估锂离子电池数据集以用于量子机器学习工作流的新元数据框架。该框架为数据集分配量子就绪分数，评估其在近期混合量子经典应用中的适用性。目标是在量子计算的背景下，简化状态健康估计和异常检测等任务的适当数据集的选择。
-
量子核带土优化平衡表达能力与可学性
研究人员开发了使用量子核的高斯过程带土优化新方法，特别解决了嘈杂中等规模量子（NISQ）时代面临的挑战。该研究侧重于平衡量子核的表达能力与其可学性，而可学性可能因高维和复杂性而受阻。为解决此问题，该团队提出了投影量子核和经典核近似技术，这些技术在降低维度的同时保留了关键的量子特性。这些方法旨在提高样本效率并减少量子原生应用的计算开销。
-
强化学习解缠多量子比特量子态
研究人员开发了一种新颖的深度强化学习方法，用于创建高效的量子态解缠电路。该方法利用部分观测，特别是双量子比特约化密度矩阵，来指导在多达16个量子比特的系统上应用双量子比特门。该系统展示了其自主识别量子比特排列和调整协议的能力，对噪声具有鲁棒性，并具有在实际量子计算应用中的潜力。
-
新框架评估量子神经网络对噪声的鲁棒性
研究人员推出JGRA，一个旨在评估量子神经网络（QNN）在噪声存在下的鲁棒性的新框架。该方法利用雅可比几何来分析QNN对嘈杂中等规模量子（NISQ）时代实际噪声引起的参数扰动的敏感程度。JGRA结合了噪声校准、噪声感知训练和噪声条件雅可比提取，以导出预测模型在各种噪声条件下性能的几何描述符。
-
量子机器学习框架QADR提升了可扩展性和性能
研究人员开发了一个新的混合量子-经典机器学习框架QADR，以解决训练量子电路的局限性。QADR将大型量子电路分解为更小、局部的子电路，显著减少了经典模拟所需的内存，并缓解了如巴伦高原等问题。与标准的全局量子电路相比，这种方法展示了卓越的可扩展性，成功处理了更大的特征集，并在图像识别和工业诊断等任务上达到了与经典机器学习模型相当或更优的性能。
-
量子蓄水池计算在混沌动力学预测方面优于 QPINN
研究人员对两种量子机器学习架构——量子蓄水池计算 (QRC) 和量子物理信息神经网络 (QPINN)——在预测混沌时间序列数据方面的性能进行了基准测试。在洛伦兹系统上，QRC 表现出显著优越的性能，其均方误差比 QPINN 低 81%，训练速度比 QPINN 快约 52,000 倍。研究表明，QRC 的固定式蓄水池设计是其在当前规模下取得优势的关键，优于受限于容量和存在竞争性损失项而非 barren plateaus 的变分方法。