quantum-neural networks
PulseAugur coverage of quantum-neural networks — every cluster mentioning quantum-neural networks across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架为量子联邦学习的 ansatz 结构实现个性化
研究人员推出了一种新颖的个性化量子联邦学习框架 PAS-QFL，旨在解决客户端之间数据异构性问题。与先前假设所有参与者采用统一 ansatz 结构的方法不同，PAS-QFL 允许每个客户端拥有个性化的 ansatz 结构。这种方法旨在通过适应多样化的本地数据分布，特别是在类别不平衡的情况下，来提高训练量子神经网络的稳定性和公平性。
-
新的量子增量学习框架使用混合状态原型
研究人员开发了一个新的量子增量学习框架，旨在解决嘈杂中型量子（NISQ）时代的局限性。该框架利用可训练的混合状态原型，即使在电路宽度受限的情况下，也能在不发生灾难性遗忘的情况下顺序学习新类别。与单一纯状态原型相比，混合状态原型的使用提供了增强的表示能力，并且相关的计算为分类提供了方便的希尔伯特-施密特距离度量。模拟表明，与经典方法相比，该模型可以用最少的量子比特实现高维特征集中，具有较低的计算复杂度和在增量学习任务上的稳健性能。
-
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。
-
新的量子编码方法提升神经网络性能
研究人员推出了一种名为基于量子比特的编码（SBQE）的新型量子神经网络数据加载技术。该方法利用硬件的本地资源——量子比特，将数据分布到多个量子态中，从而解决了现有编码方案的局限性。SBQE有效地创建了一个混合态表示，该表示与非线性激活函数线性组合，模仿了多层感知机。在Semeion、Fashion MNIST和MNIST等图像数据集上的基准测试表明，SBQE在不需要数据编码门的情况下，实现了与幅度编码和经典网络相比具有竞争力或更优的测试准确率。
-
New Q-DIBA attack targets quantum neural networks with dynamic triggers
研究人员开发了Q-DIBA，这是首个专门针对量子神经网络（QNN）设计的、具有输入感知能力的动态后门攻击。这种新颖的攻击为每个输入生成独特的触发器，克服了先前固定触发器攻击更容易被检测到的局限性。Q-DIBA在MNIST和Fashion-MNIST数据集上的实验中展示了其有效性和隐蔽性，证明了其对常见防御措施的抵抗力，并突显了对QNN部署的重大安全威胁。
-
量子成本景观中的峡谷为VQA预测带来改进
研究人员已识别并分析了变分量子算法（VQA）性能至关重要的量子成本景观中的“峡谷”。通过改编理论化学中的微扰弹性带（NEB）算法，他们可视化了连接量子神经网络（QNN）中局部极小的低成本路径。这种方法允许通过对峡谷中的QNN输出来进行平均来实现集成预测，与传统方法相比，提高了准确性并降低了计算成本。该研究还引入了一个预训练指标来预测VQA性能，并表明即使在QNN深度和量子比特数量增加的情况下，这些峡谷结构也依然存在。
-
Quantum Neural Networks Compared for Semiconductor Defect Classification
一篇新的研究论文探讨了量子神经网络（QNN）在半导体晶圆图缺陷分类中的应用，这是提高制造良率的关键步骤。该研究使用WM-811K数据集直接比较了连续变量（CV）和离散变量（DV）的QNN范式。结果表明，CV-QNNs的性能持续优于DV-QNNs，在需要捕捉精细空间差异的特定缺陷类型上实现了显著更高的准确性和更好的性能。
-
New Coherence Law Enhances Trainability in Noisy Quantum Neural Networks
研究人员为嘈杂的等变量子神经网络开发了一种新的训练定律，该定律利用对称性来在存在噪声的情况下保持可训练性。该定律确定了一个特定的物理量，即读出可见的相干率，它决定了梯度衰减的速度。该速率计算为噪声生成器沿梯度携带模式的瑞利商。密度矩阵模拟证实，模型在有限噪声下的退化遵循此定律，决定系数高，优于标准的通道诊断。
-
量子学习模型展现出内在可塑性保持能力
一篇新发表在arXiv上的研究论文探讨了量子机器学习模型中的持续学习概念。由Shi-Xin Zhang领导的研究表明，量子神经网络固有地保持可塑性，使其能够在不降低性能的情况下从新数据中学习更长时间。这与通常会遭受可塑性损失的标准深度学习模型形成对比。研究人员将这一优势归因于量子模型的内在物理约束，特别是酉约束，它将优化限制在紧凑流形上，从而防止了困扰经典网络的无界权重增长。
-
新混合量子-模糊系统被提议用于AI知识表示
研究人员提出了一种新的知识表示系统，该系统结合了密集嵌入和量子-模糊逻辑。这种混合方法旨在克服当前大型语言模型和本体集成中概率推理与精确推理之间的权衡。所提出的神经-量子-模糊系统可以实现支持经典推理和上下文推理的知识表示。
-
新的QDS-SNN算法利用量子-SNNs提升交通标志识别能力
研究人员开发了一种名为QDS-SNN的新算法，它将脉冲神经网络（SNNs）与量子神经网络（QNNs）相结合，用于节能的交通标志识别。这种混合方法旨在通过利用量子特性来改进训练和性能，从而克服传统SNNs的信息丢失和梯度消失等局限性。实验表明，QDS-SNN在交通标志数据集上实现了高精度，同时与现有方法相比显著降低了能耗。
-
新框架支持硬件上可扩展的量子神经网络训练
研究人员开发了一个新的框架，用于在量子硬件上训练量子神经网络（QNN），显著降低了梯度估计的计算成本。该方法将所需的电路评估次数从与量子比特数量的二次方关系降低到对数关系，使得QNN优化对于更大的系统来说变得可行。该框架成功应用于使用MIMIC-III数据集的临床数据插补，在IonQ硬件上训练的模型展示出与经典基线相当或更优的性能，同时方差降低。
-
研究人员通过专家混合模型探索量子神经网络
研究人员在监督学习场景中，为使用梯度流训练的专家混合（MoE）模型建立了一个均场极限。他们的研究结果表明，随着专家数量的增加，模型的参数会收敛到一个满足非线性连续性方程的概率测度。这种收敛速度明确地取决于专家的数量，并且该研究将这些结果应用于由量子神经网络生成的MoE模型。
-
研究人员开发量子区间界限传播技术，用于认证量子机器学习
研究人员推出了一种名为量子区间界限传播（QIBP）的新方法，用于量子神经网络的认证训练。该技术将经典的区间界限传播（IBP）方法适配到量子领域，旨在确保模型在面对对抗性扰动时仍能保持准确性。QIBP方法在训练过程中跟踪量子模型的上下界限，从而建立稳健的决策边界，保证在定义的对抗鲁棒性限制内做出正确预测。该实现探索了区间算术和仿射算术之间的权衡。
-
AI框架QAROO为能源高效MEC网络优化任务卸载
研究人员推出QAROO，一个新颖的AI驱动框架，专为移动边缘计算（MEC）网络的在线任务卸载而设计。该系统旨在通过整合量子神经网络和注意力机制来优化计算和能源资源，以解决传统自适应和启发式算法的局限性。QAROO增强了时间建模，通过不确定性引导量化提高了探索效率，并加强了特征表示，在物联网环境的计算速度和处理时间方面表现出卓越的性能。