quantum physics
PulseAugur coverage of quantum physics — every cluster mentioning quantum physics across labs, papers, and developer communities, ranked by signal.
- instance of quant-ph 90%
- instance of Quantum Machine Learning 70%
- authored by alphaXiv 70%
- instance of Influence Flower 70%
- used by Gotit.pub 70%
- used by ScienceCast 70%
- instance of Gotit.pub 60%
- instance of ScienceCast 60%
- instance of alphaXiv 60%
- used by CORE Recommender 60%
- instance of CORE Recommender 60%
- instance of CatalyzeX Code Finder for Papers 60%
12 天有情绪数据
-
新框架探索光量子神经网络用于金融市场预测
研究人员开发了 Q-PhotoMarket，这是一个旨在探索用于金融市场预测的光子混合量子神经网络 (HQNN) 的广阔设计空间的框架。该框架系统地评估了美国、印度和加密货币市场中超过 5,000 种不同的光子配置，包括输入状态、电路架构和测量策略。研究发现了持续的架构模式，并确定了可与经典机器学习基线相媲美的稳健的高性能设计，同时还纳入了在数据不平衡条件下可靠评估的方法。
-
量子纠缠在新研究论文中提供学习优势
一篇新研究论文探讨了在量子测量分类学习中使用纠缠学习规则的优势。该研究侧重于学习涉及通过测量和经典后处理与量子态交互的场景。研究表明，在大概率近似正确（PAC）学习设置中，基于纠缠测量的学习规则可以提供比单拷贝学习规则多项式样本复杂度优势。
-
量子变分自编码器在解耦表示学习方面展现出潜力
研究人员探索了量子变分自编码器（QVAE）学习解耦且可解释的潜在表示的潜力，这对于理解复杂的科学数据至关重要。该领域的一个重大挑战是在由量子比特跨越的指数级大的希尔伯特空间中定义和分离单个量子潜在维度。这项工作提供了理论见解和经验证据，通过使用合成问题和MNIST变体，证明了QVAE确实可以发现因子化的潜在表示，其中单个量子比特可以作为有意义的潜在因子。
-
量子比特中心Transformer推进量子纠错
研究人员开发了一种新颖的量子比特中心Transformer（QCT）解码器，用于量子纠错，该解码器利用深度学习和具有专业量子比特中心注意力机制的Transformer架构。这种方法将稳定子综合症转化为量子比特中心令牌，从而能够识别潜在的逻辑错误。QCT解码器采用基于图的掩码方法，该方法考虑了量子码的拓扑结构，并将注意力集中在相关的量子比特交互上。它在表面码方面表现出最先进的性能，显著优于现有的神经解码器和信念传播基线，并在去极化噪声下…
-
新的量子数据加载方法学习数据集结构以实现高效状态制备
arXiv上的一篇新论文介绍了一种新颖的量子数据加载方法，该方法学习数据集的低维描述。这种方法允许使用固定的电路来制备量子态，该电路由几个数字决定，这些数字可以从数据的随机子集中推断出来。与现有的结构化加载器相比，该方法通过每个信号所需的数字更少而显示出效率，尽管它可能比某些基线覆盖的情况更少。
-
新研究探索使用量子检索的最优数据压缩
一篇新研究论文探讨了使用量子检索方法进行数据压缩的理论极限。该研究侧重于将具有有限数量置位比特的二进制字符串压缩成更短的字符串，通过量子查询实现无错误地检索单个比特。论文提出了关于自适应和非自适应量子查询场景下最优压缩策略的发现。
-
新理论解释了Transformer神经量子态的泛化
研究人员开发了一个理论框架，以理解基于Transformer的神经量子态在上下文学习中的泛化能力。该研究建立了泛化误差界限，表明预测误差随着上下文示例的增多和Transformer深度的增加而减小。这种深度要求与量子系统的大小成线性关系，数值模拟支持了这些发现。
-
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。
-
混合量子-经典网络提升肽-HLA结合预测能力
研究人员开发了一种混合量子-经典神经网络（HQNN），旨在提高肽-HLA结合预测的效率。这对于在训练数据有限的情况下识别个性化癌症免疫疗法中的新抗原至关重要。HQNN集成了生物特征编码、量子特征提取器和量子分类器，在两种HLA等位基因（A*02:01和B*07:02）上，针对不同大小的训练数据集，其性能均优于经典的CNN基线模型。研究表明，即使在实际量子硬件噪声水平下，这些混合架构也能为低数据场景下的免疫信息学任务提供实际的样本效率提升。
-
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Transformer架构在语言生成方面的探索
研究人员推出了一种新的变分量子Transformer (VQT) 架构，旨在嘈杂中等规模量子 (NISQ) 时代进行合成语言生成。该模型将量子组件集成到Transformer框架中，用变分量子编码器和解码器块取代了标准的注意力层和前馈层。虽然VQT在某些情况下展示了学习语法结构和实现确定性生成的能力，但其准确性和稳定性目前仍落后于经典Transformer的性能，并且初始化敏感性被视为一个挑战。
-
新型量子模型CQFM提升数据稀疏生理信号分类能力
研究人员推出了一种新颖的量子生成模型——条件量子流匹配（CQFM），旨在解决生理信号分类中的数据稀疏性问题。与以往从无信息噪声开始的量子模型不同，CQFM利用类别标签来条件化生成过程，将紧凑的先验分布迁移到目标数据分布。该方法在BCI Competition IV-2a数据集上显示出显著的改进，尤其是在从其他受试者迁移知识时，证明了其在数据受限场景下提高分类准确性的潜力。
-
量子传感器历经四代演进，整合量子学习
一篇新论文概述了一个将量子生物传感器分为四代的框架，该框架基于它们对量子资源的使用。前三代分别利用离散能级、量子相干和量子纠缠来提高精度。新兴的第四代将量子传感与量子学习和变分电路相结合，以便在量子域内进行直接推理。该框架旨在描绘从基本物理测量到利用量子增强智能提取复杂生物信息的过程。
-
灰盒机器学习提升量子传感器精度
研究人员开发了一种新颖的量子传感器灰盒建模策略，将基于物理的模型与描述实验缺陷的数据驱动模型相结合。与纯粹的基于物理的模型或完全的机器学习模型相比，这种混合方法在应用于用于磁场估计的单自旋量子传感器时，精度得到了显著提高。灰盒方法在训练数据点少得多的情况下，实现了数量级上更低的均方误差，表明其在各种量子传感平台和实时自适应协议中具有广泛的适用性。
-
新型混沌量子扩散模型增强量子数据学习
研究人员引入了一种新颖的混沌量子扩散模型，旨在更有效地学习量子数据分布。该新框架利用混沌哈密顿量时间演化来生成投影集合，与之前的基于电路的方法相比，提供了更灵活且与硬件兼容的扩散机制。该模型仅需要全局、与时间无关的控制，从而降低了在模拟量子平台上的实现开销，并增强了在化学信息学和量子物理学等领域的量子生成模型应用的训练能力和鲁棒性。
-
量子计算扩展路线图整合经典HPC以实现数百万量子比特
一篇新的arXiv论文概述了一条将量子计算机从数百个量子比特扩展到数百万个量子比特的路径，该路径通过利用半导体制造技术并将其与经典高性能计算（HPC）相结合。该研究详细介绍了量子化学和催化剂设计等应用的资源估算，强调了对硬件改进和紧密量子-经典集成（quantum-classical integration）的需求。该论文还介绍了具有定制加速器的量子概率计算（quantum-probabilistic computing）架构，以处理…
-
量子人工智能方法通过 Grover 干涉增强 LLM 慢思考
研究人员提出了一种利用量子人工智能原理增强大型语言模型慢思考能力的新方法。这种被称为路径积分慢思考的方法利用 Grover 干涉来管理推理轨迹，使其能够在测量前共存并重新组合。该技术旨在防止策略崩溃，这是经典强化学习中一个常见的问题，即概率集中在少数成功路径上，从而侵蚀了探索性多样性。在滑动拼图的模拟中，这种量子训练方法与经典对照组相比取得了显著更高的准确率，证明了其在保持探索性路径多样性并将其转化为已验证性能方面的潜力。
-
新研究为有限纠缠的量子态层析成像设定了严格的下限
两篇新研究论文，一篇来自arXiv，另一篇由Hugging Face重点介绍，为量子态层析成像设定了严格的下限。这些研究侧重于测量仅限于作用于少量量子副本的场景，特别是最多$k$个新副本。研究结果表明，估计一个$d$维状态到迹距离$\epsilon$的副本复杂度近似为$\max\{d^3/(\sqrt{k}\epsilon^2), d^2/\epsilon^2\}$。这项工作通过消除对$k$相对于准确度的限制，改进了先前的理解，并为低…
-
量子测试验证爱因斯坦等效原理，连接物理学理论
科学家们已成功在量子层面测试了爱因斯坦的等效原理，这是朝着统一广义相对论和量子物理学迈出的重要一步。研究人员使用一种名为量子伽利略干涉仪的新型仪器，证明了该原理（即引力和加速度在局部是等效的）对量子波包成立。该实验为了解调和这两个基本物理学理论的长期挑战提供了关键见解。
-
量子算法有望加速采样和优化
研究人员开发了新的量子算法，可在从复杂概率分布进行采样以及非凸优化任务方面提供加速。这些算法通过整合用于均值和梯度估计的量子子程序，增强了 Langevin Monte Carlo 和 Hamiltonian Monte Carlo 等经典方法。该研究适用于具有特定属性的分布，在 Wasserstein 距离和 Kullback--Leibler 散度方面提供了收敛保证，并展示了更快的采样如何加速各种目标的优化。