quantum annealing
PulseAugur coverage of quantum annealing — every cluster mentioning quantum annealing across labs, papers, and developer communities, ranked by signal.
-
新的贝叶斯优化方法增强了光谱数据分析
研究人员开发了一种新的近红外光谱最优波长选择方法，这对于提高光谱数据在糖含量估算等任务中的准确性和可解释性至关重要。该方法将波长选择视为一个二元黑盒优化问题，利用具有 Thompson 采样的贝叶斯优化来识别相关的波长区域。实验表明，与基于遗传算法的选择和模拟退火相比，这种组合贝叶斯优化方法在偏最小二乘回归中表现更优，能够产生更一致、更鲁棒的波长选择。
-
量子 QUBO 框架提升医学图像分割可扩展性
研究人员开发了一种新颖的基于超像素的 QUBO 框架，以提高量子增强医学图像分割的可扩展性。该方法通过使用 SLIC 将像素分组为感知上有意义的区域，解决了 QUBO 公式中问题规模增长的重大挑战。新方法在 INbreast 乳腺钼靶图像上展示了 4.2% 的分割质量提升和 33 倍的加速，同时大幅减小了问题规模并符合当前量子退火器的连接限制。
-
量子退火助力AI预测性维护 · 跟踪2个来源
研究人员开发了一种新颖的量子退火增强Q学习（QAQL）框架，以改进预测性维护中的剩余使用寿命（RUL）预测。该方法将量子退火的采样能力与Q学习的决策过程相结合，将Q值更新编码为在D-Wave Advantage系统上求解的QUBO问题。QAQL框架在NASA C-MAPSS涡轮风扇发动机数据集和设备集群预测性维护数据集上，均显示出比经典和量子基线具有统计学上的显著改进，表明其在工业RUL估算中的实际应用潜力。
-
迈向可解释的人工智能：利用量子退火进行特征选择
研究人员开发了一种新颖的方法，通过利用量子退火进行特征选择来解释卷积神经网络（CNN）在图像分类任务中的应用。该方法识别出对模型预测最有影响的特征图，旨在提高AI系统的透明度和可信度。该技术将特征选择问题编码为量子约束优化问题，然后使用量子退火进行求解。评估结果显示，与现有的可解释AI方法（如GradCAM和GradCAM++）相比，类解纠缠得到了改善。