QNN
PulseAugur coverage of QNN — every cluster mentioning QNN across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
开发了新的XAI增强型量子对抗网络用于星系建模
研究人员开发了一种新颖的量子对抗框架，该框架将混合量子神经网络（QNN）与经典深度学习层相结合。该方法集成了使用局部可解释模型无关解释（LIME）的评估器模型来指导QNN，从而提高了预测准确性和模型可解释性。所提出的模型旨在通过创建轻量级、高性能且可解释的预测模型来克服当前量子机器学习的局限性。
-
量子成本景观中的峡谷为VQA预测带来改进
研究人员已识别并分析了变分量子算法（VQA）性能至关重要的量子成本景观中的“峡谷”。通过改编理论化学中的微扰弹性带（NEB）算法，他们可视化了连接量子神经网络（QNN）中局部极小的低成本路径。这种方法允许通过对峡谷中的QNN输出来进行平均来实现集成预测，与传统方法相比，提高了准确性并降低了计算成本。该研究还引入了一个预训练指标来预测VQA性能，并表明即使在QNN深度和量子比特数量增加的情况下，这些峡谷结构也依然存在。
-
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。
-
量子电路架构通过雅可比秩亏缺影响可训练性
研究人员发现，量子神经网络（QNN）的架构形状显著影响其可训练性，即使总编码预算保持不变。他们发现，雅可比矩阵的结构秩亏缺会导致“结构梯度饥饿”，即随着参数数量的增加，越来越多的参数与损失函数解耦。研究表明，并行架构可以避免这个问题，并保持雅可比特征值的最小值为非零。