QNN
PulseAugur coverage of QNN — every cluster mentioning QNN across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的基于QNN的算法推动量子态制备技术发展
研究人员引入了一种新的量子态制备算法，该算法利用基于标准递归块基（SRBB）的量子神经网络（QNN）。该算法利用李代数构建变分量子电路，通过关注SRBB子代数的对角分量来减少CNOT门数量和电路深度。该方法在模拟中对多达4个量子比特表现出高精度，并在真实的量子设备上进行了测试，尽管在更多量子比特数量上存在局限性。
-
量子和经典模型在节能预测方面的比较
一篇新的研究论文探讨了非线性预测模型的性能和能源效率，将经典方法与模拟量子模型进行了比较。该研究评估了跨多个数据集的各种配置，测量了准确性、速度、内存使用和能源消耗。虽然具有 Transformer 读出的连续变量量子储层计算 (QRC) 实现了最佳预测准确性，但传统的回声状态网络和岭滞模型展示了卓越的持续能源效率。
-
量子机器学习模型在物理数据回归中展现参数效率
研究人员系统地比较了经典机器学习模型（如CNN和LSTM）与量子对应模型（QCNN、QLSTM）在高能物理碰撞数据回归任务上的表现。虽然经典模型目前性能略好，但量子模型在参数效率方面显示出显著优势，一个QCNN所需的参数远少于深度经典CNN即可达到可比的准确率。这项研究为未来在实际量子硬件上的研究提供了基准，突出了资源受限条件下的权衡。
-
量子机器学习使用后期融合来降低成本并提高鲁棒性
研究人员提出了一种名为“后期融合”的新方法，用于在较小的设备上运行大型量子神经网络（QNN）。这种方法避免了将QNN分解为子电路时通常需要进行的计算成本高昂的重构步骤。相反，每个子电路都经过独立训练和测量，一个小型的经典组件将它们的输出结合起来。实验表明，这种后期融合方法在成本显著降低的情况下，实现了与完全重构相当的准确性，并且对噪声更鲁棒，尽管在测试数据集上它并未提供优于经典机器学习的准确性优势。
-
量子机器学习通过新的后期融合技术提高效率
研究人员开发了一种名为“后期融合”的新方法，用于量子机器学习（QML），该方法可显著降低计算成本。该技术涉及训练量子神经网络（QNN）的独立子电路，然后将它们的输与经典头部结合，从而避免了昂贵的大型QNN重构的需要。实验表明，后期融合在各种数据集上可实现与完全重构相当的准确性，同时效率呈指数级提高且对噪声具有鲁棒性，尽管它并未提供优于经典机器学习的优势。
-
混合CNN-QNN模型优化特征相关性以增强图像分类
研究人员开发了一种新颖的混合模型，该模型结合了卷积神经网络（CNN）和量子神经网络（QNN）以提高图像分类的准确性。该方法侧重于优化CNN提取的特征在输入QNN之前它们之间的相关性。通过有意引入相关特征，该模型利用了QNN利用量子纠缠的能力，这是纯粹经典网络所不具备的优势。在CIFAR-10和Fashion-MNIST等数据集上的模拟和评估表明，平均特征相关性为0.5可以优化分类性能，与无约束或极端相关性水平相比，可以提高准确性并降低方差。
-
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。