quantum Fourier transform
PulseAugur coverage of quantum Fourier transform — every cluster mentioning quantum Fourier transform across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
量子启发式张量网络提供参数高效的图像修复
研究人员开发了用于图像修复任务的量子启发式张量网络电路。一项关键创新是采用对角量子傅里叶变换（QFT）松弛，该变换是可逆的，并在训练过程中保持相干性，从而避免了显式的相干性惩罚。这种方法可以从随机采样数据中进行高效学习，并能很好地泛化到新图像，其参数数量显著减少，但性能优于固定变换和更大的酉架构。
-
新的浅层电路为量子傅里叶变换提供替代方案
研究人员开发了一种新的电路构造，为量子傅里叶变换（QFT）提供了一种更浅的替代方案，QFT对于Shor算法等算法至关重要。这种新方法称为HP-L电路，利用Hadamard门和受控-相位门，并保留了QFT的关键特性，如移位不变性。提出的$\mathcal{O}(n)$ HP-1电路是一种更高效的变体，已在Shor算法中通过数值实现，并结合了先进的神经网络进行经典后处理。
-
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。
-
GSC-QEMit框架将量子纠错能力提升9.0%
研究人员开发了GSC-QEMit，一个旨在自适应管理量子纠错的新框架。该系统利用遥测数据预测噪声波动，然后采用老虎机算法选择适当的纠错级别。在测试中，与未缓解的运行相比，GSC-QEMit将逻辑保真度提高了9.0%，同时还减少了不必要且资源消耗大的干预。