Quantum Circuit Born Machine
PulseAugur coverage of Quantum Circuit Born Machine — every cluster mentioning Quantum Circuit Born Machine across labs, papers, and developer communities, ranked by signal.
-
用于量子分布学习的新分层傅里叶近似方法
研究人员开发了一种新颖的分层方法，使用布尔立方体上的Walsh-傅里叶近似来学习量子分布。该方法涉及在每个级别定义谱截断，然后将其投影到概率单纯形上并用于训练量子电路Born机。在一个级别上学习到的参数用于初始化下一个级别，从而提供端到端的学习保证。该框架分析了近似和估计的权衡，将分布误差与量子态保真度联系起来，尽管它并未消除量子神经网络训练中的贫瘠高原。
-
量子生成模型的谱滤波不提供经典优势
一篇新研究论文探讨了量子生成模型中谱滤波的经典极限。该研究调查了相干量子操作（例如使用量子傅里叶变换抑制量子电路玻色机中的高频）是否比模型样本的经典后处理提供优势。研究结果表明，在某些条件下，此类滤波器不会产生量子-经典分离，任何剩余的分离都源于输入态的谱相位。数值实验表明，这些关键相位未被标准的玻色规则训练损失捕获，而是由模型的初始化决定。
-
量子电路出生机增强了不平衡数据集的合成数据生成
研究人员开发了一个混合量子经典框架，利用量子电路出生机（QCBMs）为不平衡表格数据集生成合成数据。该方法利用叠加和纠缠等量子特性，比传统方法更有效地模拟复杂概率分布。在 Iris 和 Telco Customer Churn 数据集上的实验表明，使用 QCBM 生成的样本增强数据可将 F1 分数提高 5-15%，少数类召回率提高 10-25%，证明了强大的分布保真度和与 SMOTE 等经典过采样技术相比具有竞争力。
-
混合量子-经典模型提升金融波动性预测能力
研究人员开发了一个用于金融波动性预测的混合量子-经典框架，将长短期记忆 (LSTM) 网络与量子电路生机模型 (QCBM) 相结合。LSTM 提取时间特征，而 QCBM 对复杂的市场分布进行建模。与经典的 LSTM 基线相比，该方法在中国股市数据上显示出更高的预测准确性。