QML
PulseAugur coverage of QML — every cluster mentioning QML across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 QML 方法提升可训练频率电路性能
研究人员为量子机器学习 (QML) 中的可训练频率 (TF) 电路引入了一种名为三元网格初始化的新技术。该方法解决了先前阻碍 TF 电路在训练期间有效调整其频率频谱的梯度抑制问题。通过将前置因子值设置为三的幂，三元初始化确保从一开始就密切逼近目标频率，从而实现可靠的收敛。与标准的单元初始化相比，实证结果显示性能显著提高，TF 电路在合成基准测试中达到了近乎完美的准确率，并在真实世界数据集上展示了持续的优势。
-
混合量子-经典网络在NLP任务中展现潜力
研究人员开发了一种混合量子-经典神经网络，用于自然语言处理中的情感分析。该模型将参数化量子电路与经典前馈网络相结合，并利用TF-IDF向量化处理文本数据。在COVID-19相关推文上的实验显示，其准确性与经典模型相当，但具有不同的学习动态，表明其具有更强的表示能力。此外，通过迁移学习应用于短信垃圾邮件分类时，混合模型显著优于经典方法，准确率提高了15个百分点。
-
量子机器学习研究通过新框架解决贫瘠平原问题 · 跟踪 2 个来源
一篇新研究论文探讨了量子机器学习（QML）中的“表达能力-可训练性悖论”，即参数化量子电路（PQC）的巨大容量导致贫瘠平原和指数级平坦的梯度景观。通过综合动力学李代数（DLA）和几何量子机器学习，该研究建立了一个将电路生成器与优化动力学联系起来的框架。研究提出，嵌入群论几何先验作为结构正则化器，牺牲原始记忆能力以换取可扩展、富含梯度的训练景观，为量子神经网络的“设计驱动的可训练性”提供了途径。
-
随机薛定谔扩散模型赋能量子机器学习数据生成
研究人员开发了随机薛定谔扩散模型（SSDMs），这是一个专为量子机器学习设计的新型生成框架。这些模型解决了将基于分数的扩散技术应用于量子纯态系复杂几何形状所带来的挑战。SSDMs 利用随机薛定谔方程进行前向扩散，并从黎曼分数推导反向动力学，从而能够生成准确反映目标统计数据并提高下游QML性能的新量子态。