Quantum Convolutional Neural Network
PulseAugur coverage of Quantum Convolutional Neural Network — every cluster mentioning Quantum Convolutional Neural Network across labs, papers, and developer communities, ranked by signal.
-
新的并行QCNN架构可实现量子模型的高效经典模拟
研究人员开发了一种新颖的并行量子卷积神经网络（QCNN）架构，旨在高效地对图像分类任务进行经典模拟。该架构对图像进行分区，实现并行处理，并随着量子比特数量的增加而减少所需的计算资源。该方法使用128量子比特模型在MNIST数据集上进行了测试，证明了这种分区策略不会降低性能，甚至可以通过缓解量子神经网络训练中常见的“贫瘠高原”问题来提高性能。
-
量子-经典架构使用路径签名进行时间序列分类
研究人员开发了一种混合量子-经典架构用于时间序列分类，该架构结合了量子神经网络和路径签名。该方法旨在通过使用签名核来解决时间序列数据中的时间重参数化不变性挑战。该架构包含一个用于下游学习任务的量子卷积神经网络 (QCNN)，实验表明在路径签名核层中使用量子电路具有潜在优势，同时也指出了变分线性求解器 (VQLS) 组件的计算限制。
-
量子CNN在地下水热羽预测方面展现潜力
研究人员开发了一种量子卷积神经网络（QCNN）来预测地下水热羽，这是一项复杂的环境建模任务。QCNN架构包括量子卷积层和池化层，输入状态使用受哈密顿量启发的特征编码方案进行准备。在模拟器和IBM的Kyiv量子处理器上进行测试后，QCNN表现出有竞争力的性能，尤其是在错误缓解方面，尽管经典神经网络仍取得了更高的准确性。这项工作表明，随着量子硬件的进步，量子增强代理建模具有广阔前景。
-
量子机器学习 vs. 经典机器学习：研究探讨准确性和效率
arXiv上的一项新研究使用MNIST数据集对经典和量子机器学习模型进行图像识别基准测试。该研究比较了经典和量子变体中的支持向量机（SVM）和卷积神经网络（CNN）在准确性、运行时间、参数数量和内存使用方面的表现。结果表明，量子模型通常提供更高的准确性，尤其是在数据复杂度增加的情况下，尽管计算成本通常更高。