Quiver
PulseAugur coverage of Quiver — every cluster mentioning Quiver across labs, papers, and developer communities, ranked by signal.
-
大型语言模型自动化量子电路设计，新型梯度估计器提升训练效率
研究人员开发了一个由大型语言模型驱动的系统，用于自主设计量子电路，整合了知识获取、代码生成和实验反馈。该框架已成功构建用于机器学习的量子特征映射和用于量子化学变分量子本征求解器的ansatz，在基准测试中优于经典方法。另外，还提出了一种用于参数化量子电路前向梯度估计器的新框架，与现有方法相比，显著提高了训练效率并降低了测量成本，从而能够在更大的量子神经网络上进行训练。
-
受量子启发的算法提升机器学习表示
研究人员开发了将量子计算原理融入以增强机器学习模型的新方法。其中一种方法 QUIVER 使用量子 Fisher 视图来捕捉数据中的高阶相关性，从而提高分子性质预测和粒子识别等任务的性能。另一种方法侧重于通过使用生成模型合成门序列来优化量子机器学习的数据嵌入，从而在各种数据集上获得更好的分类性能。这些进展表明，即使在容错量子硬件广泛可用之前，量子几何特征也能为标准的机器学习任务提供显著价值。
-
新框架量化复合 AI 系统中的扰动传播
研究人员推出 QUIVER，这是一个新的正式框架，旨在衡量扰动如何在链接多个大型语言模型调用的复合 AI 系统中传播。该框架通过将边分类为放大器或吸收器来量化敏感性，并将变化分解为值漂移、结构路径发散和迭代次数发散。QUIVER 还识别分叉阈值（导致结构执行路径改变的最小扰动）并评估分布忠实度。在企业和公共管道上的验证表明，QUIVER 能够揭示不同的敏感性特征并预测易发生轨迹分叉的节点。
-
QUIVER 优化器自适应地平衡目标评估和偏好查询
研究人员开发了 QUIVER，这是一种新颖的进化多目标优化算法，能够自适应地平衡目标评估成本与决策者偏好引导的成本。该系统可以选择不同类型的偏好查询，例如成对比较或无差异调整，以在单位成本上最大化决策质量的改进。在具有挑战性的 WFG 基准问题上，QUIVER 与现有方法相比，在最终效用遗憾方面表现出 25% 的改进。