qubo
PulseAugur coverage of qubo — every cluster mentioning qubo across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
量子 QUBO 框架提升医学图像分割可扩展性
研究人员开发了一种新颖的基于超像素的 QUBO 框架，以提高量子增强医学图像分割的可扩展性。该方法通过使用 SLIC 将像素分组为感知上有意义的区域，解决了 QUBO 公式中问题规模增长的重大挑战。新方法在 INbreast 乳腺钼靶图像上展示了 4.2% 的分割质量提升和 33 倍的加速，同时大幅减小了问题规模并符合当前量子退火器的连接限制。
-
新框架在量子退火器上自动调优 SVM
本文介绍了一种新颖的框架，用于优化在量子启发式退火器上使用二次无约束二元优化 (QUBO) 模型的支持向量机 (SVM)。该框架采用 Optuna 进行自动调优，处理与数值表示、核几何和约束惩罚相关的参数。该方法在 Fixstars Amplify 退火引擎、Toshiba SQBM+ 和 Fujitsu Digital Annealer 上进行了测试，在具有不同标签噪声水平的分类任务上，与传统的网格搜索相比，平均准确率提高了 0.8…
-
QUBO 优化解决了 RAG 问答中的证据选择问题
研究人员开发了一种新颖的证据选择方法，用于检索增强问答 (RAG)，将其表述为二次无约束二元优化 (QUBO) 问题。该方法旨在通过平衡相关性、需求覆盖率和其他因素，来改进互补证据段的选择，这对于复杂的多跳问题至关重要。QUBO 选择器提供了一种经济高效且可扩展的替代 LLM 选择器的方法，在 HotpotQA 基准测试上取得了有竞争力的性能，并指明了 RAG 管道的未来方向，即保留 LLM 用于语义处理，同时使用专用求解器进行上下文选择。
-
量子CT重建算法提升图像质量
研究人员开发了一种新颖的量子压缩感知CT重建算法，通过考虑光子计数统计和解剖学异质性来提高图像质量。所提出的PWLS-GTV方法结合了惩罚加权最小二乘（PWLS）和引导全变分（GTV），以增强边缘保持并减少噪声。实验表明，PWLS-GTV的性能显著优于传统方法，在重建中实现了更高的峰值信噪比。
-
新的 COMET 方法使用量子算法优化基因编辑
研究人员开发了一种名为 COMET 的新方法，该方法使用量子近似优化算法 (QAOA) 来解决基因编辑中的复杂组合优化问题。该方法解决了选择多重 CRISPR-Cas9 编辑的引导 RNA 的挑战，这涉及到管理跨基因的相互作用。COMET 比较了两种强制约束的策略：传统的惩罚项和使用 XY 混合器的结构化方法。在 IBM 的 ibm_kingston 处理器上进行的模拟和真实硬件测试表明，对于这种特定的生物学应用，XY 混合器比基于惩…
-
量子CT框架采用动态编码以改进重建
研究人员开发了一种新颖的量子计算机断层扫描（CT）重建框架，该框架利用动态区间编码和先验平衡优化。该方法通过动态编码局部灰度区间内的活动像素，解决了灰度CT中二元变量编码的局限性。该框架平衡了数据一致性与边缘保持先验，以增强优化稳定性。实验表明，与现有方法相比，该方法能更忠实地恢复结构和灰度分布，并且可以在混合量子经典后端上执行。
-
量子退火助力AI预测性维护 · 跟踪2个来源
研究人员开发了一种新颖的量子退火增强Q学习（QAQL）框架，以改进预测性维护中的剩余使用寿命（RUL）预测。该方法将量子退火的采样能力与Q学习的决策过程相结合，将Q值更新编码为在D-Wave Advantage系统上求解的QUBO问题。QAQL框架在NASA C-MAPSS涡轮风扇发动机数据集和设备集群预测性维护数据集上，均显示出比经典和量子基线具有统计学上的显著改进，表明其在工业RUL估算中的实际应用潜力。
-
量子算法优化铁路发车与股道分配
研究人员开发了一种新的方法，利用二次无约束二元优化（QUBO）模型来优化铁路发车时刻表和股道分配。该模型与仿真层集成，以评估各种条件下的运行性能，包括延误。混合量子算法，特别是QPSO-QAOA，表现最佳，与传统方法相比，降低了成本和延误。
-
量子退火器采用新的 PDQUBO 方法处理推荐系统
研究人员开发了一种名为 PDQUBO 的新方法，用于推荐系统中的特征选择，该方法专为在量子退火器上运行而设计。该方法通过量化特征组合的影响来直接优化推荐系统性能。PDQUBO 是模型无关的，并在实验中证明其性能优于现有的基于 QUBO 的方法和经典基线。