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
-
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。
-
量子模型在经典数据集上展现出数据高效学习潜力
研究人员开发了一种新的工具，专门为量子核方法（QKMs）生成半人工经典数据集。该工具表明，QKMs 可以实现数据高效学习，与经典核方法相比，仅需更少的训练样本即可在经典数据上达到相当的错误率。该研究还将基于频谱偏差的泛化指标引入了量子机器学习（QML）领域，并显示其与经验结果高度相关。这项工作旨在促进对 QML 模型数据集复杂性的系统性探索，可能有助于更深入地理解其泛化优势，并将重点转移到为量子优势进行原则性的数据集设计上。
-
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。
-
量子机器学习模型在经验比较中落后于经典模型
一篇新论文在监督学习和强化学习任务中，对量子机器学习（QML）模型与其经典对应模型进行了七对模型的经验比较。研究发现，当前的QML模型在预测性能、策略稳定性和训练时间方面均未优于经典基线。然而，QML在噪声过滤和控制假阳性方面显示出潜力，研究强调了QML硬件、训练效率和收敛稳定性方面的挑战。
-
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。