Pennylane Guest House
PulseAugur coverage of Pennylane Guest House — every cluster mentioning Pennylane Guest House across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
量子方法解决复杂优化问题
研究人员开发了一种新颖的变分量子方法来解决圆锥规划问题，这类问题在机器学习和工程等领域很常见。该方法使用参数化量子电路对问题变量进行编码，并通过混合经典-量子过程寻找拉格朗日函数的近似驻点。尽管目前使用 IEEE 57 节点系统在交流最优潮流问题上的演示尚未实现量子加速，但它为复杂优化任务和训练受限量子机器学习模型的潜在应用提供了概念验证。
-
量子分类器增强触觉互联网的零信任
研究人员开发了VQC-ZTI，一个利用分层变分量子分类器的新框架，用于增强触觉互联网服务的零信任保护。该系统在带外分析加密流量遥测数据，允许带内策略引擎在不干扰实时物理驱动的情况下管理访问控制。量子神经网络的实现取得了高性能指标，包括0.9981的ROC AUC，并显著降低了与传统方法相比的误报率。
-
KQFuzz 使用 LLM 改进量子库测试，发现 13 个 bug
研究人员开发了 KQFuzz，一种利用代码库知识引导的大语言模型（LLM）进行量子库测试的新方法。该方法旨在提高基于 LLM 的模糊测试的灵活性和效率，而这在以前是有限的。KQFuzz 采用了一种新颖的提示方案，该方案结合了量子程序代码库的知识来生成高质量的种子程序。该系统还包括评估和变异策略，以提高测试用例的多样性和模糊测试效率。当应用于 Qiskit、PennyLane 和 Cirq 时，KQFuzz 证明了覆盖率的显著提高，最高…
-
新的QDS-SNN算法利用量子-SNNs提升交通标志识别能力
研究人员开发了一种名为QDS-SNN的新算法，它将脉冲神经网络（SNNs）与量子神经网络（QNNs）相结合，用于节能的交通标志识别。这种混合方法旨在通过利用量子特性来改进训练和性能，从而克服传统SNNs的信息丢失和梯度消失等局限性。实验表明，QDS-SNN在交通标志数据集上实现了高精度，同时与现有方法相比显著降低了能耗。
-
新框架提高LLM量子代码生成准确性
研究人员开发了PennySynth，一个检索增强生成框架，旨在提高大型语言模型（LLMs）生成量子代码的准确性。该系统通过使用PennyLane指令-代码对的精选知识库，解决了通用LLM的局限性。PennySynth采用代码感知嵌入策略，并已证明在生成有效和功能性量子电路方面取得了显著改进，在专门的量子编码挑战中表现优于Claude Sonnet 4.6等模型。