quantum neural network
PulseAugur coverage of quantum neural network — every cluster mentioning quantum neural network across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
量子测量噪声提升扩散模型效率
研究人员开发了一种新颖的方法，通过利用量子测量的固有随机性来提高扩散模型的效率。该方法将量子读出过程中通常产生的噪声重新用作一种资源，以替代扩散采样器在生成过程中有意添加的部分噪声。通过在概率单纯形内构建扩散过程并采用补偿噪声，该方法可以用更少的采样次数匹配所需的输出特征。
-
量子神经网络赋能量子计算机上流模型的有效执行
研究人员开发了一种新颖的量子电路，旨在利用量子神经网络（QNN）高效执行流模型（一种生成模型）。该方法通过模拟由薛定谔方程驱动的波函数流，将流模型与量子动力学联系起来。所提出的方法利用QNN替换了昂贵的量子只读存储器（QROM）组件，在保持模拟精度的同时，显著减少了所需的量子电路资源。
-
量子神经网络在金融预测方面展现出潜力，但硬件噪声仍是障碍
一项新近发表在arXiv上的研究，对用于金融时间序列预测的各种量子神经网络（QNN）配置进行了基准测试，具体使用了英镑/美元汇率。该研究探索了1,368种不同的QNN配置，评估了预测准确性、计算成本和收敛性。研究结果表明，门的选择和排列比参数数量更关键，而纠缠是一种系统级属性。表现最佳的QNN达到了0.985的R^2分数，超过了经典的BiLSTM基线。然而，在IQM Emerald量子设备上的执行显示，硬件噪声（包括门错误和退相干）对…
-
量子计算在能源、网络安全和触觉互联网的异常检测方面取得进展
研究人员正在探索将量子计算应用于机器学习中的异常检测，特别是在稀疏和不平衡数据集方面。提交至arXiv的两篇论文详细介绍了用于能源和网络安全领域异常检测的新型混合经典-量子架构。第三项研究引入了一种自适应单次变分量子电路策略，以优化触觉互联网安全中异常推理的资源分配，展示了量子测量次数的显著节省。
-
用于量子分布学习的新分层傅里叶近似方法
研究人员开发了一种新颖的分层方法，使用布尔立方体上的Walsh-傅里叶近似来学习量子分布。该方法涉及在每个级别定义谱截断，然后将其投影到概率单纯形上并用于训练量子电路Born机。在一个级别上学习到的参数用于初始化下一个级别，从而提供端到端的学习保证。该框架分析了近似和估计的权衡，将分布误差与量子态保真度联系起来，尽管它并未消除量子神经网络训练中的贫瘠高原。
-
量子联邦学习研究应对噪声和异构性
两篇新研究论文探讨了量子联邦学习（QFL）的进展，这是一种允许量子神经网络在不共享私有数据的情况下进行训练的方法。第一篇论文介绍了一种使用 QoS 感知客户端加权和圆形参数聚合的稳定聚合方法，该方法在 IBM 量子机器上进行了验证，并在医疗和金融数据集上显示出更高的稳定性和准确性。第二篇论文提出使用 Bures--Uhlmann 几何进行 QFL，将参数空间几何扩展到混合态，以处理嘈杂和异构的量子设备，在囚禁离子量子模拟器上展示了优于…
-
量子机器学习模型在选定高能物理事件中的应用测试
一篇新研究论文探讨了量子机器学习模型在选定高能物理事件中的应用，特别使用了CMS开放数据。该研究将四种经典机器学习模型与四种混合量子模型进行了比较，评估了它们在二元分类任务上的性能。虽然人工神经网络在经典模型中表现最佳，但量子卷积网络也取得了强劲的成果，证明了在有限量子比特预算内混合量子方法的潜力。
-
量子分类器增强触觉互联网的零信任
研究人员开发了VQC-ZTI，一个利用分层变分量子分类器的新框架，用于增强触觉互联网服务的零信任保护。该系统在带外分析加密流量遥测数据，允许带内策略引擎在不干扰实时物理驱动的情况下管理访问控制。量子神经网络的实现取得了高性能指标，包括0.9981的ROC AUC，并显著降低了与传统方法相比的误报率。
-
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。
-
量子神经网络缩短纠错训练时间
研究人员开发了一种新颖的量子神经网络架构，旨在改进量子纠错。这种新的全局变分学习方法通过最小化量子电路中所需的酉矩阵数量，显著降低了计算负荷。该方法已证明训练时间减少了97%，训练完成率提高了25%，成功率达到100%，并超越了先前的纠错基准。