QCNN
PulseAugur coverage of QCNN — every cluster mentioning QCNN across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的预印本探讨用于时间序列的 QCNN 和 Orcaella 协议选项
一篇新的预印本介绍了量子卷积网络 (QCNN) 与路径签名核相结合，通过解决重参数化不变性来改进时间序列分类。另外，另一篇预印本详细介绍了 Orcaella 协议，该协议为用户提供了在快速的两消息延迟提交或能够处理 54% 的等价性但延迟增加的更具弹性的路径之间进行选择。
-
量子-经典架构使用路径签名进行时间序列分类
研究人员开发了一种混合量子-经典架构用于时间序列分类，该架构结合了量子神经网络和路径签名。该方法旨在通过使用签名核来解决时间序列数据中的时间重参数化不变性挑战。该架构包含一个用于下游学习任务的量子卷积神经网络 (QCNN)，实验表明在路径签名核层中使用量子电路具有潜在优势，同时也指出了变分线性求解器 (VQLS) 组件的计算限制。
-
量子神经网络探索地下水热预测
研究人员开发了一种量子卷积神经网络（QCNN）来预测地下水热羽动力学，这是一项复杂的环境建模任务。QCNN 使用降维模拟输出来训练，并在包括 IBM 的 Kyiv 处理器在内的各种量子硬件和模拟器上进行了评估。虽然经典神经网络目前提供更高的准确性，但 QCNN 表现出了具有竞争力的性能，尤其是在误差缓解方面，这表明随着量子技术的进步，它在未来环境建模方面具有潜力。
-
量子CNN在地下水热羽预测方面展现潜力
研究人员开发了一种量子卷积神经网络（QCNN）来预测地下水热羽，这是一项复杂的环境建模任务。QCNN架构包括量子卷积层和池化层，输入状态使用受哈密顿量启发的特征编码方案进行准备。在模拟器和IBM的Kyiv量子处理器上进行测试后，QCNN表现出有竞争力的性能，尤其是在错误缓解方面，尽管经典神经网络仍取得了更高的准确性。这项工作表明，随着量子硬件的进步，量子增强代理建模具有广阔前景。
-
量子卷积神经网络在医学诊断中准确率达99%
研究人员开发了一个混合经典-量子框架用于医学图像分类，集成了迁移学习与量子卷积神经网络（QCNN）。该方法在肾脏疾病、宫颈细胞和脑肿瘤诊断上进行了测试，分别取得了99%、97%和99%的高测试准确率。量子增强模型在保持精确率、召回率和F1分数的同时，与经典CNN相比，展示了更优越的性能，且需要更少的训练参数。