quantum physics
PulseAugur coverage of quantum physics — every cluster mentioning quantum physics across labs, papers, and developer communities, ranked by signal.
- instance of ScienceCast 90%
- instance of probably approximately correct learning 90%
- instance of quantum mechanics 90%
- instance of quant-ph 90%
- authored by alphaXiv 70%
- instance of Gotit.pub 70%
- instance of CORE Recommender 70%
- instance of Quantum Machine Learning 70%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- instance of alphaXiv 60%
- used by CORE Recommender 60%
7 天有情绪数据
-
New method accelerates quantum error correction decoding algorithms
研究人员开发了一种优化量子纠错解码算法的新方法。通过采用领域特定语言(DSL)和语法演化,他们能够显著加速现有的信念传播(BP)解码器。演化出的解码器表现出更高的效率,在更高的错误率下实现了更快的处理速度,并优于标准实现。
-
NIST利用量子物理验证个人位置
NIST的研究人员展示了一种利用量子物理验证个人物理位置的新颖方法。该技术利用量子传感器和纠缠,旨在防止冒名顶替者远程访问敏感数据或发出命令。虽然实际应用还需要十多年时间,但该技术可以增强金融交易、关键基础设施和个人数据的安全性。
-
量子迁移学习在低数据量场景下表现出更强的鲁棒性
一篇新的研究论文探讨了量子到量子迁移学习的益处,特别是在数据有限的场景下。研究发现,虽然经典模型可能达到更高的峰值性能,但在训练数据稀缺时,它们的性能下降幅度远大于量子模型。量子模型表现出更强的鲁棒性和数据效率,在不同的数据条件下保持了更稳定的性能。这些发现表明,在资源有限的迁移学习任务中,量子方法可能提供更优越的韧性。
-
量子关联检索方法提供指数级复杂性优势
一篇新发表在arXiv上的论文详细介绍了一种实现高效、高精度量子关联检索的方法。所提出的方法在复杂性方面比经典暴力搜索方法具有指数级优势,在容量方面比经典神经网络实现具有多项式优势。这种量子方法将模式存储在哈密顿量中,利用酉变换和测量进行检索,这与经典方法的不可逆弛豫动力学形成对比。
-
新框架确定量子电路的可训练性
研究人员开发了一个新的分析框架,用于确定量子电路是否可训练,解决了变分量子算法中梯度消失的贫瘠平原问题。该框架通过分解相关紧李群的酉表示来约束梯度方差。它为可训练性提供了充分条件:如果满足与电路段和可观测量相关的特定条件,梯度方差将至少是多项式倒数。此外,还提出了一种采样算法来估计梯度方差,从而在进行大量训练之前就可以决定其可训练性。
-
新框架可在无完整状态描述的情况下估计量子关联
研究人员开发了一种新方法,可以在不需要对所涉及的量子态进行完整经典描述的情况下估计量子关联。这种方法被称为测量量子注音信息($U^M$),它利用量子生成对抗框架来优化参考态和测量。该框架旨在从未知二分状态和经典-量子通道的测量统计数据中估计$U^M$,并且还可以优化通道的输入概率。这种估计技术对于评估量子存储器的关联保持能力和理解噪声对量子设备的影响可能很有价值。
-
量子计算原理应用于新研究中的异常检测
两篇新研究论文探讨了量子计算原理在异常检测中的应用。第一篇论文《用于异常检测的量子启发式张量网络自编码器》提出了一种基于MERA的自编码器用于对撞机射流中的异常检测,与密集自编码器相比,在性能和参数效率方面有所提高。第二篇论文《边缘端的预测性维护:一种使用量子优化训练的嵌入式异常检测流水线》详细介绍了一种用于检测轴承异常的流水线,该流水线使用量子优化进行特征选择和OCSVM训练,专为在微控制器上进行边缘部署而设计。
-
量子物理探索生物学与计算学的新前沿
研究人员正在探索量子现象在推进生物学和计算学领域的潜力。一个关注点是利用微管内的量子相干性,这可能在生物系统中带来重大突破。另一项进展涉及应用量子记忆来增强神经形态计算和脉冲神经网络。
-
OpenAI 声称在数学和物理学领域取得人工智能驱动的突破
OpenAI 宣布其人工智能模型在数学和理论物理学方面取得了重大突破。其中包括对调和分析复杂问题的形式证明,以及对指数时间假设的证否,这两项成果均已发表并正在接受专家评审。此外,OpenAI 声称已获得量子场论的存在性证明,但这些尚未公开发布。
-
量子感知Transformer模型实现近乎完美的纠缠分类
研究人员开发了一种新颖的量子感知Transformer模型,用于对二分量子态进行分类,这项任务对于量子信息处理至关重要。该模型采用数据驱动的方法,在量子态的向量化表示上进行训练,在区分可分离态和纠缠态方面取得了近乎完美的准确率。这项工作展示了机器学习,特别是Transformer,在自动化和增强量子系统中纠缠检测方面的潜力。
-
新研究论文提出用于表征学习的“神经信息因果律”
一篇新研究论文提出了“神经信息因果律”(Neural-IC),一个将因果访问与表征学习容量联系起来的框架。该定律表明,即使有量子资源,从学习到的表征中可用于后续查询的信息也受限于接口容量。该研究将此容量分解为松弛、联合组织信息和答案提取损失,为在固定信息预算内改进检索提供了设计原则。
-
研究发现:量子组件在混合神经网络中的优势有限
一项对混合量子-经典神经网络(HQNNs)的新实证评估表明,与经典组件相比,量子组件可能无法持续提升性能。研究发现,在许多情况下,用量子处理层替换经典处理层会导致性能指标下降。该研究主张在近期应用中谨慎设计和声明HQNNs的益处,并强调需要对量子贡献进行严格评估。
-
量子启发式数据插补显示出改进的分布保真度
研究人员开发了一种新颖的量子启发式框架用于数据插补,这是临床数据集预处理的关键步骤。该方法结合了主成分分析(PCA)和基于量子旋转的重建,利用无梯度优化器(如模拟退火和差分进化)来选择旋转角度。该方法在UCI Pima Indians Diabetes数据集上进行了评估,与包括SoftImpute、MissForest和VAE在内的各种经典和现代机器学习插补方法相比,在分布保真度方面显示出显著的改进。
-
量子层有望提高VLM准确性并减少参数
研究人员探索了将量子层集成到视觉语言模型(VLM)中,以评估潜在的性能和安全增强。通过在LLaVA-OneVision框架中使用经典模拟的量子电路,研究发现插入量子层可以提高视觉空间推理任务的准确性。用量子层替换某些经典组件也显示出可训练参数的减少,尽管收益高度依赖于量子层的放置和类型。研究还调查了这些混合模型对各种攻击的鲁棒性,为量子组件在VLM设计中的最有效应用提供了初步见解。
-
量子电路获得任务对齐归纳偏置以改进学习
研究人员探讨了参数化量子电路的架构如何设计以适应量子机器学习中的特定任务。通过在信号输入旁边加入任务定义的谱查询,这些电路可以修改其假设类别。这种机制在涉及非均匀傅里叶变换的任务中显示出潜力,特别是在受合成孔径雷达启发的分类任务中,对齐的查询在有限数据下提高了学习效果。
-
提出量子网络质量估计框架
研究人员提出了一个用于估计未来量子网络中传输质量(QoT)的框架。该框架考虑了是解析计算保真度、模拟保真度还是学习代理模型,这与光网络有相似之处,但由于量子力学的概率性质而突出了关键差异。研究表明,解析方法适用于简单场景,模拟对于复杂的随机效应是必需的,而学习模型可以为在线控制提供运行时效率。
-
量子电路训练在单比特设计中面临相位锁定挑战
一篇新发表在arXiv上的研究论文探讨了量子电路的训练动力学,特别比较了单比特再上传电路与多比特电路。研究表明,尽管单比特电路可以用相同的编码预算表示多比特电路可以表示的任何函数,但这在‘相位锁定’现象导致的一阶训练过程中会付出代价。这种相位锁定限制了参数更新的可及方向数量,使得与多比特电路相比,训练速度明显变慢,尤其是在处理复杂或真实世界数据集时。
-
量子与经典AI表征融合,提升预测能力
一篇新的研究论文探讨了将量子机器学习表征与经典表征相结合以提高预测性能的好处。该研究提出了一个框架,结合了经典特征和模拟的量子特征,证明当两种表征捕获互补信息时,这种融合可以提高准确性。研究在包括Wine、Wisconsin Diagnostic Breast Cancer和Fashion-MNIST在内的几个基准数据集上验证了这种方法,在特定场景下显示出优于纯经典方法的性能。
-
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。
-
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。