SU(2)
PulseAugur coverage of SU(2) — every cluster mentioning SU(2) across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
经典 SU(2) 模型在视觉任务上优于量子电路
一篇新的研究论文在各种视觉基准测试上比较了经典 SU(2) 模型与变分量子电路 (VQC)。研究发现，四元数神经网络（一种经典 SU(2) 模型）在 MNIST、Fashion-MNIST 和 CIFAR-10 等数据集上的表现与浅层 VQC 相当或更好。虽然四元数网络保持了很高的实值网络性能百分比，但 VQC 显示出较低的准确率和较高的计算成本，这表明对于缺乏内在量子结构的任务，经典 SU(2) 几何可以作为浅层量子电路的有效替代方案。
-
四元数网络在视觉任务上表现优于量子电路
研究人员将四元数神经网络与浅层变分量子电路（VQC）在经典监督学习任务上的性能进行了比较。研究发现，在MNIST、Fashion-MNIST和CIFAR-10等基准测试中，四元数网络的性能普遍能媲美或接近实值神经网络的性能。相比之下，浅层VQC的准确率较低，计算成本较高，这表明共享的局部SU(2)几何结构不足以在这些场景中带来实际的量子优势。
-
新的李群扩散模型增强了量子电路合成
研究人员开发了用于硬件感知量子电路合成的李群扩散模型。该方法将SU(2)流形上量子门的几何特性与离散的、硬件特定的电路结构相结合。该模型包括一个用于选择电路骨架的组件和一个通过直接在SU(2)流形上操作来在这些模板上生成量子门的扩散模型。该方法在三量子比特哈密顿量模拟的酉编译方面已被证明优于基线方法，为硬件感知量子电路合成提供了一个自然的生成框架。
-
李群扩散模型增强硬件感知量子电路合成
研究人员开发了一种新颖的量子电路合成方法，该方法同时考虑了量子门的连续几何形状和硬件特定的约束。他们的方法利用了一个由两部分组成的生成模型：一个电路骨架选择器来确定纠缠结构，以及一个在 $SU(2)$ 流形上生成量子门的扩散模型。与现有针对哈密顿量模拟目标的酉编译方法相比，这种李群扩散技术在保真度和复杂性之间取得了更好的平衡，表现出优越的性能。