Quantum Machine Learning
PulseAugur coverage of Quantum Machine Learning — every cluster mentioning Quantum Machine Learning across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
量子机器学习研究探索数据效率和对称性发现
三篇新研究论文探讨了量子物理与机器学习的交叉点，重点关注如何有效地从量子数据中学习。第一篇论文详细介绍了一种从量子学习模型中的有限测量推断对称群的理论。第二篇论文介绍了一种用于区分量子集合的积分概率度量层次结构，为量子机器学习中的损失函数提供指导。第三篇论文研究了量子PAC学习中的样本复杂度优势，证明了对状态制备酉变换进行逆向访问对于实现这种优势至关重要。
-
量子扩散模型应用于医学图像分析
研究人员推出了一种混合量子扩散模型，用于医学图像分析，利用了叠加和纠缠等量子力学原理。该模型在真实量子设备上使用离散时间量子行走算法进行前向扩散过程，而反向去噪步骤则由经典学习模型处理。与先前受量子设备规模限制的尝试不同，该方法可以处理包括灰度、RGB图像和3D体积在内的大型真实世界医学数据，并展示出与经典扩散模型相比具有竞争力的生成能力。
-
量子机器学习：傅里叶分析助力新型分类器设计
研究人员通过将傅里叶分析应用于参数，开发了一个理解和设计交互式量子分类器（IQCs）的新框架。这种方法揭示了哈密顿量参数如何影响分类器的输出，从而清晰地解释了诱导的特征映射。该研究引入了广义哈密顿量编码，包括矩阵参数化的环境哈密顿量，这允许依赖于输入特征的不可分离傅里叶结构。数值实验表明，这些提出的模型可以提高在非线性基准上的分类性能，其中矩阵编码取得了强大的总体结果，而一个更简单的四参数扩展通过更少的训练参数提供了可比的性能。
-
量子启发式Transformer (QiT) 推进视觉识别
研究人员开发了QiT，一种用于视觉识别任务的量子启发式Transformer模型。QiT利用了量子模型的结构思想，例如角度启发式编码和周期性特征自注意力，来创建一个模仿量子神经网络特性的经典Transformer。虽然不使用量子计算，QiT旨在经典模型中分离和评估受量子启发的归纳偏差。该模型在图像分类基准测试中表现出竞争力，其QiT-B变体在ImageNet-1K上达到了78.3%的top-1准确率。
-
量子启发式算法助力经典机器学习
研究人员开发了一种受量子计算原理启发的新型经典算法，以解决机器学习中的特定挑战。该方法被称为“用于对角加权矩阵函数的量子启发式去量化方法”，能够为优化随机特征的采样器进行去量化，这是现有去量化框架未能涵盖的任务。该算法通过采样重指数、将变换简化为主要块，并输出具有算子范数保证的稀疏经典表示来实现这一目标，可能提供多项式加速。
-
新研究强调了量子机器学习的隐私风险
一篇新论文探讨了与量子机器学习（QML）相关的隐私风险，特别是在用户拥有量子原生访问权限的情况下。研究表明，增加的量子访问和计算能力可能导致理论上的隐私泄露和对手的实际收益，从而可能低估QML系统中的真实隐私风险。该研究强调了当前隐私保护QML研究中的一个空白，即该研究通常假设用户只能进行经典访问。
-
量子稀疏自编码器增强认知诊断鲁棒性
研究人员开发了一种新颖的量子稀疏自编码器（QSAE），用于估计Q矩阵，这对于教育数据挖掘中的认知诊断至关重要。该方法标志着量子机器学习首次应用于这一特定诊断任务。虽然在某些模拟场景中，经典自编码器（CAE）显示出更高的平均准确率，但QSAE在多次重复实验中表现出显著更高的稳定性和更低的方差。在实际评估中，QSAE在大多数数据集上优于CAE，表明其主要优势在于增强的鲁棒性以及揭示复杂潜在结构的能力。
-
量子机器学习研究探讨噪声影响与推断优化
两篇新研究论文探讨了量子机器学习的理论基础，重点关注噪声如何影响性能以及如何优化推断算法。第一篇论文开发了一种统计学习理论，解释了适度噪声如何通过降低复杂性来悖论式地提高量子机器学习的泛化能力，并引入了“有限噪声最优”。第二篇论文将经典的最大熵推断和梯度下降算法扩展到量子领域，分析了收敛速度，并提出了诸如Anderson混合和L-BFGS等拟牛顿方法以获得显著的性能提升，应用于哈密顿量学习。
-
量子机器学习增强金刚石中的量子传感
一篇新的研究论文探讨了量子机器学习（QML）在增强量子传感方面的应用，特别是在金刚石中的氮-空位（NV）中心用于磁力测量方面。该研究强调了在嘈杂的中等规模量子（NISQ）时代提取可靠数据所面临的挑战，并提出将QML作为一种改进参数估计的方法。通过将磁场传感构建为监督回归任务，该研究将经典机器学习模型与量子核方法模型进行了比较，证明了与仅依赖经典数据或增加模型复杂度相比，利用相干量子态信息可以显著提高QML的性能。
-
新研究质疑量子机器学习在攻击检测方面的优势 · 跟踪 2 个来源
arXiv 上发表的两篇新研究论文对量子机器学习（QML）在网络入侵检测和电力系统攻击检测方面声称的优势提出了质疑。两项研究都发现，经过精心调整的经典模型通常能媲美甚至超越 QML 方法的性能。研究强调，表面上的量子优势可能归因于经典预处理、降维和正则化技术，而非固有的量子效应。这些论文强调了评估方法和基准设计在决定 QML 感知优越性方面起到的关键作用。
-
量子机器学习使用后期融合来降低成本并提高鲁棒性
研究人员提出了一种名为“后期融合”的新方法，用于在较小的设备上运行大型量子神经网络（QNN）。这种方法避免了将QNN分解为子电路时通常需要进行的计算成本高昂的重构步骤。相反，每个子电路都经过独立训练和测量，一个小型的经典组件将它们的输出结合起来。实验表明，这种后期融合方法在成本显著降低的情况下，实现了与完全重构相当的准确性，并且对噪声更鲁棒，尽管在测试数据集上它并未提供优于经典机器学习的准确性优势。
-
量子机器学习通过新的后期融合技术提高效率
研究人员开发了一种名为“后期融合”的新方法，用于量子机器学习（QML），该方法可显著降低计算成本。该技术涉及训练量子神经网络（QNN）的独立子电路，然后将它们的输与经典头部结合，从而避免了昂贵的大型QNN重构的需要。实验表明，后期融合在各种数据集上可实现与完全重构相当的准确性，同时效率呈指数级提高且对噪声具有鲁棒性，尽管它并未提供优于经典机器学习的优势。
-
探索使用量子卷积神经网络（QCNN）进行卫星图像中的火山云检测
研究人员探索了使用量子卷积神经网络（QCNN）在多光谱卫星图像中检测火山云。这些混合模型将量子计算层集成到经典框架中，以增强特征提取能力。该研究评估了两种QCNN变体，并将其性能与纯经典架构进行了比较，以对包含火山云和非火山背景的卫星图像进行分类。
-
综述论文详述混合量子神经网络以用于近期量子技术
一篇新发表在arXiv上的综述论文详细介绍了混合量子神经网络的理论、实现和应用。这些网络将经典神经网络组件与量子信息处理单元相结合，为近期的量子技术提供了一个实用的框架。虽然尚未展示出大规模的量子优势，但理论工作表明在某些任务上具有可证明的优势，并且实际应用已通过紧凑的量子组件和更少的训练参数显示出有希望的结果。
-
新研究将费舍尔信息、偏差和傅里叶回归模型的训练联系起来
研究人员开发了一个新的框架，用于理解傅里叶回归模型中费舍尔信息矩阵（FIM）指标、模型偏差和训练性能之间的关系。这项工作以量子机器学习和量子神经网络（QNN）为动机，指出模型的“有效维度”及其与任务的对齐程度（偏差）显著影响可训练性。研究发现，无偏差模型受益于更高的有效维度，而有偏差模型在较低维度下表现更好。推导出了傅里叶模型中FIM的解析表达式，能够构建具有可调有效维度和偏差的模型，并引入了张量网络表示作为QNN分析的潜在工具。
-
量子计算研究探索电路优化和PQC性能
两篇新研究论文探讨了量子计算的进展，重点关注电路优化和性能的不同方面。第一篇论文介绍了一种神经引导采样方法，用于减少量子电路在转译后的复杂性，与现有的Qiskit和BQSKit优化级别相比，效率更高。第二篇论文研究了深度参数化量子电路（PQC），发现它们可以表现出双下降行为，随着模型尺寸的增加，在未见过的数据上性能得到改善，为量子机器学习提供了谨慎乐观的前景。
-
Quantum Autoencoders Accelerated on FPGAs for Real-Time Anomaly Detection
研究人员开发了一种方法，用于加速量子自编码器模型，以在粒子对撞机实验中进行实时异常检测。这些能够处理复杂对撞机数据的模型被合成了现场可编程门阵列（FPGA）。FPGA实现满足了未来对撞机触发系统所需的资源和时序约束，展示了与当前经典方法相当的性能，并推动了量子机器学习与实验基础设施的整合。
-
量子机器学习模型提供“超椭球体”替代线性分类
研究人员对线性模型和单量子比特混合态模型在二元分类任务中的内在可解释性进行了表征。他们发现，单量子比特混合态模型本质上是标准线性模型的“超椭球体版本”，学习的是超椭球体而不是超平面。这种比较突出了每种模型的几何归纳偏置和特征重要性偏置，为熟悉标准机器学习的人提供了量子机器学习的易懂入门。
-
量子机器学习探测后量子密码学弹性
研究人员探索了使用量子生成对抗网络（QGAN）来评估后量子密码学的弹性。该研究展示了QGAN如何将基于哈希的数字签名的概率分布加载到量子计算机的内存中。这种利用近期混合量子-经典方法的方法，被认为是利用量子计算探测后量子密码学原语漏洞的基础性步骤。
-
新的贝叶斯优化框架增强量子电路设计
研究人员开发了一个新颖的框架，使用基于图的贝叶斯优化来优化量子电路架构。该方法采用图神经网络（GNN）代理来表示和改进量子电路，然后在网络安全数据集上进行评估。与MLP和随机搜索等传统方法相比，GNN指导的方法始终能识别出复杂度较低且精度相当或更好的电路。该框架的鲁棒性通过对各种量子噪声通道的噪声研究得到了进一步验证，确保了自动化量子电路发现的可扩展且可解释的路径。