Quantum Convolutional Neural Networks
PulseAugur coverage of Quantum Convolutional Neural Networks — every cluster mentioning Quantum Convolutional Neural Networks across labs, papers, and developer communities, ranked by signal.
-
量子神经网络探索地下水热预测
研究人员开发了一种量子卷积神经网络（QCNN）来预测地下水热羽动力学，这是一项复杂的环境建模任务。QCNN 使用降维模拟输出来训练，并在包括 IBM 的 Kyiv 处理器在内的各种量子硬件和模拟器上进行了评估。虽然经典神经网络目前提供更高的准确性，但 QCNN 表现出了具有竞争力的性能，尤其是在误差缓解方面，这表明随着量子技术的进步，它在未来环境建模方面具有潜力。
-
量子机器学习论文探讨工业应用
一篇新论文探讨了面向工业应用的量子机器学习（QML），解决了可训练性、表现力和经典模拟抗性方面的挑战。它介绍了保持子空间的QML算法，包括光子电路和量子卷积神经网络，旨在提供多项式量子优势。该研究还分析了变分量子电路作为量子傅里叶模型，确立了量子模型可证明地与经典模型分离的条件。
-
迭代量子特征图为深度QFM部署提供混合方法
研究人员引入了迭代量子特征图（IQFMs），这是一个新颖的混合量子-经典框架，旨在增强量子机器学习模型的能力。该方法通过迭代地连接浅层图和经典增强权重来解决在当前硬件上部署深度量子特征图的挑战。IQFMs框架结合了对比学习和逐层训练，以减少运行时间和减轻噪声，在有噪声的量子数据上显示出优于量子卷积神经网络的性能，并在图像分类基准测试上取得了与经典神经网络相当的结果。
-
量子CNN通过傅里叶多路复用器实现像素平移等变性
研究人员开发了一种新型量子卷积神经网络（QCNN），该网络能够实现像素移位等变性，这是图像识别任务的关键属性。这一进展解决了现有QCNN中平移等变性通常仅限于量子比特循环排列的不足。所提出的QCNN利用傅里叶变换实现了精确的像素循环移位等变性，有望提高量子数据处理任务的性能。