Quantum Machine Learning
PulseAugur coverage of Quantum Machine Learning — every cluster mentioning Quantum Machine Learning across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
量子机器学习在可证明的学习分离方面超越经典方法
研究人员展示了在预测量子多体系统时间演化方面的可证明学习分离。该研究发表在arXiv上，概述了一个监督学习问题，其中量子机器学习可以从短时间训练样本中有效地学习未知的哈密顿量。这与经典算法形成对比，经典算法面临计算上的困难，除非BQP包含在P/poly中，这突显了基于哈密顿量演化的自然机器学习任务的严格分离。
-
研究人员量化人工神经元以增强机器学习能力
研究人员开发了一种量化人工神经元的新方法，将经典机器学习组件与量子物理原理联系起来。通过将神经元视为能量和激活函数的组合，他们用量子哈密顿量替换了能量函数，并通过矩阵泛函微积分应用了激活。这创建了一个可在量子态上测量的“激活可观测量”，从而实现了用于从量子数据中学习和估计梯度的混合量子经典算法。数值实验表明，与经典神经元相比，这些量化神经元具有更强的表达能力，确立了正则化量化作为量子机器学习原语的可行框架。
-
混合量子-经典网络在NLP任务中展现潜力
研究人员开发了一种混合量子-经典神经网络，用于自然语言处理中的情感分析。该模型将参数化量子电路与经典前馈网络相结合，并利用TF-IDF向量化处理文本数据。在COVID-19相关推文上的实验显示，其准确性与经典模型相当，但具有不同的学习动态，表明其具有更强的表示能力。此外，通过迁移学习应用于短信垃圾邮件分类时，混合模型显著优于经典方法，准确率提高了15个百分点。
-
量子机器学习研究通过新框架解决贫瘠平原问题 · 跟踪 2 个来源
一篇新研究论文探讨了量子机器学习（QML）中的“表达能力-可训练性悖论”，即参数化量子电路（PQC）的巨大容量导致贫瘠平原和指数级平坦的梯度景观。通过综合动力学李代数（DLA）和几何量子机器学习，该研究建立了一个将电路生成器与优化动力学联系起来的框架。研究提出，嵌入群论几何先验作为结构正则化器，牺牲原始记忆能力以换取可扩展、富含梯度的训练景观，为量子神经网络的“设计驱动的可训练性”提供了途径。
-
量子纠缠提升病原体结合预测的机器学习能力
研究人员探索了纠缠在量子机器学习模型中对预测病原体表位-受体结合的影响。他们的研究聚焦于猪繁殖与呼吸综合征（PRRS）病毒，将经典的卷积神经网络（CNN）与混合量子神经网络（QNN）架构进行了比较。研究结果表明，具有高纠缠度的特征图，特别是全连接ZZ纠缠配置，表现出较低的训练集过拟合倾向，并在测试数据上保持了具有竞争力的准确性。尽管尚未确立普遍的量子优势，但该研究表明纠缠拓扑结构是设计稀疏生物筛选任务中有效QML模型的一个重要因素。
-
新的量子自编码器框架学习紧凑型数据嵌入
研究人员开发了一个变分自编码器框架，为经典数据创建任务特定的量子嵌入，将自编码器的效用扩展到量子机器学习。该方法允许将 ImageNet 等高维数据集压缩成紧凑的 13 量子比特的量子表示，同时仍可重建。该方法在 MNIST 数据集上表现出强劲的性能，使用量子分类器实现了 98.5% 的验证准确率，并在 IBM 量子硬件上进行了验证，显示出对现实世界噪声的抵抗力。
-
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。
-
量子机器学习在没有参考系的情况下面临泛化限制
一篇新发表在arXiv上的论文探讨了量子机器学习（QML）中泛化的根本性挑战。研究发现了一个“可辨识性问题”，即QML模型在没有参考系的情况下难以将不同的含义赋予未见的量子态。研究证明，如果训练数据没有覆盖整个希尔伯特空间，正交态将获得相同的预测，无论它们与外部测量的可辨识性如何。这种限制源于缺乏参考信息，而非状态判别或计算能力，并表明成功的QML需要指定能够赋予量子方向语义意义的物理结构。
-
任意子核提升量子机器学习性能
开发了一个新的量子核框架，该框架在一个机器学习范式内统一了玻色子、费米子和任意子的交换统计。该框架表明，任意子核在学习基准测试中始终优于玻色子和费米子核，因为它们可以访问独特的特征空间方向并表现出更有利的类别几何。研究强调，粒子交换统计是增强量子机器学习性能的一个先前被忽视的计算要素。
-
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。
-
量子机器学习混合方法在COPD肌肉结局预测方面显示出前景
研究人员开发了一种新颖的量子机器学习方法，结合了几何和量子核方法，用于预测慢性阻塞性肺疾病（COPD）的骨骼肌结局。这种混合方法通过再生核希尔伯特空间映射合成参考，并使用量子回归电路进行预测。虽然在预测肌肉重量方面比经典方法提高了约1.8%，但在调整后尚未确定统计学显著性。该方法在预测肌肉质量方面也产生了数值上最低的平均RMSE，但经典岭回归在预测肌肉力量方面表现最佳。
-
大型语言模型自动化量子电路设计，新型梯度估计器提升训练效率
研究人员开发了一个由大型语言模型驱动的系统，用于自主设计量子电路，整合了知识获取、代码生成和实验反馈。该框架已成功构建用于机器学习的量子特征映射和用于量子化学变分量子本征求解器的ansatz，在基准测试中优于经典方法。另外，还提出了一种用于参数化量子电路前向梯度估计器的新框架，与现有方法相比，显著提高了训练效率并降低了测量成本，从而能够在更大的量子神经网络上进行训练。
-
量子机器学习通过无泄漏评估增强无人机异常检测
研究人员开发了一种使用量子机器学习检测无人机（UAV）异常的新方法。该研究在TLM:UAV基准测试上引入了一种无泄漏的评估方法，采用了一种面向群组的时间协议和三模特征审计来评估不同信号类型的影响。虽然混合XGBoost和数据重上传（DRU）分类器显示出渐进式的好处，但其统计显著性受到种子间方差的限制，尽管在无代理条件下实现了最低的误报率。该团队已发布了一个开源的Qiskit实现，用于NISQ时代的航空航天系统的网络安全分析。
-
受量子启发的算法提升机器学习表示
研究人员开发了将量子计算原理融入以增强机器学习模型的新方法。其中一种方法 QUIVER 使用量子 Fisher 视图来捕捉数据中的高阶相关性，从而提高分子性质预测和粒子识别等任务的性能。另一种方法侧重于通过使用生成模型合成门序列来优化量子机器学习的数据嵌入，从而在各种数据集上获得更好的分类性能。这些进展表明，即使在容错量子硬件广泛可用之前，量子几何特征也能为标准的机器学习任务提供显著价值。
-
探索利用量子计算提升人工智能对抗鲁棒性
arXiv cs.AI 存储库中的一个新章节探讨了量子计算与人工智能的交叉点，以增强对抗鲁棒性。它详细介绍了如何利用叠加和纠缠等量子原理来防御人工智能模型免受对抗性攻击，这对于医疗保健和自主系统等领域的安全至关重要。该工作概述了量子增强防御的概念框架，包括量子优化和混合量子经典架构，同时还讨论了当前的挑战和未来的研究方向。
-
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。
-
新框架QML-PipeGuard确保量子机器学习管道完整性
研究人员开发了QML-PipeGuard，一个旨在确保量子机器学习管道完整性的新框架。该系统解决了两个关键问题：嘈杂的量子硬件随时间的漂移，以及对手方替换量子通道的可能性。QML-PipeGuard通过分析可观察的期望值来监控管道的行为，并能区分自然的硬件漂移和恶意的通道替换。
-
量子启发特征图在经典数据上未显示出机器学习优势
研究人员开发了一个基准来评估用于经典机器学习的量子启发特征图。该研究分析了幅度、角度和基编码，并将它们与各种经典方法进行了比较。研究结果表明，这些量子启发编码本身并不能在经典数据上可靠地提供机器学习优势，因为它们可能会引入几何冗余或与平滑决策结构不对齐。
-
新策略优化带噪声数据的核SVM学习
研究人员开发了一种新的自适应测量分配策略，用于在处理带噪声观测时学习核化支持向量机（SVM）。与传统的均匀分配不同，该方法将测量集中在核矩阵的关键区域。理论分析和经验评估表明，在准确性和效率方面都有显著提高，尤其是在量子机器学习应用方面。
-
新研究探索人工智能和量子计算在生成模型和控制中的应用
研究人员正在探索先进的机器学习技术来增强量子计算能力。一篇论文介绍了潜在条件参数化量子电路（LPQCs）作为量子态分布的通用逼近器，有望改进量子生成模型。另一项研究提出了一个用于鲁棒开放量子系统控制的多任务强化学习框架，在噪声环境中展示了高保真度。此外，一种名为CRiSP的新方法使用强化学习来优化变分量子算法的初始状态，优于现有方法。最后，量子强化学习被应用于过程合成问题，与经典方法相比显示出具有竞争力的可扩展性和效率。