Apr, 2017

利用 D-Wave 量子退火器进行的非负 / 二进制矩阵分解

PDF
TL;DR本文介绍了如何使用 D-Wave 2X 作为无监督机器学习方法的一部分来分析大型数据集，该方法仅限于从数据集中提取的特征数量，并将此方法应用于学习一组面部图像的特征。
发现论文，激发创造
  • 基于量子退火的非负 / 二元矩阵分解图像分类方法

    基于量子退火的矩阵分解方法在图像分类中与传统的机器学习方法进行了性能比较，发现在数据、特征和迭代次数较少的情况下，利用量子退火技术训练模型的准确性优于传统的神经网络，并且该技术还能显著减少计算时间。

    Nov, 2023

  • 利用量子退火进行高效的组合优化

    本文评估了 D-Wave 2X 量子退火器在 NP 难图问题（特别是团搜索和图划分）上的表现，比较了一系列量子求解器和当前的经典算法，并演示了在卡片上可以嵌入的实例中量子计算速度的大幅提升。

    Jan, 2018

  • 使用 D-Wave 2X 上的量子推理进行图像分类

    利用量子退火 D-Wave 2X 计算机实现稀疏编码问题的最优解，通过瓶颈自编码器将 MNIST 图像降维，再使用类似 AlexNet 的 TensorFlow 结构进行分类。利用线性支持向量机对 D-Wave 2X 推断出的稀疏表示进行分类，分类准确率高达 95.68%。

    May, 2019

  • 量子退火与经典机器学习应用于简化的计算生物学问题

    通过应用量子机器学习到纯化数据集中进行转录因子分类以及排序，我们发现与其他经典方法相比，量子机器学习在分类性能上略微优越。因此，我们提出量子退火可能是对某些计算生物学问题实施机器学习的有效方法。

    Feb, 2018

  • 量子退火在深度神经网络训练中的应用

    本研究探究了使用 D-Wave 量子退火机器从 Restricted Boltzmann Machines 中生成样本来估计模型期望值的新方法，并在较粗粒度的 MNIST 数据集上进行训练测试，结果表明基于量子取样的训练方法可以在相对较少的生成性训练迭代次数内实现与传统 CD 方法相当或更高的精度。

    Oct, 2015

  • 用于编程量子退火机的神经网络

    量子机器学习与经典机器学习中的核方法有相似之处，本研究探索了将经典神经网络与量子退火机连接的设置，并模拟了其在分类问题上的性能，发现加入小型量子退火机并不能显著提高性能。

    Aug, 2023

  • 分析 D'WAVE 量子退火器的行为：微调参数化及采用限制哈密顿公式的测试

    本研究着重于对量子退火器在解决实际组合优化问题时的行为进行深入研究和实验，通过对参数的敏感性分析和基于 200 多种参数配置的 3700 次以上的酉运行和 700 万次量子读取，得到与能量分布和最适宜的参数设置相关的发现，从而为非专业利益相关者打开某些量子计算领域的探索空间。

    Jul, 2022

  • 量子退火的质因数分解

    使用可行的方法将整数因子分解问题转换为求解 Ising 模型，并在 D-Wave 2000Q 上测试，成功因子分解数值 15、143、59989 和 376289。

    Apr, 2018

  • 混合量子计算机上的无监督机器学习

    利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

    Dec, 2017

  • 量子辅助下学习嵌入式概率图模型

    通过嵌入技术添加冗余数据集，可以提高量子模拟器的模型容量，因此，我们的方法可以避免其每次迭代基于推断有效温度的需求，从而加快了学习速度，减轻了参数控制噪声的影响，使其能够验证使用量子计算实现生成模型的可行性，并为这些量子技术在与机器学习相关的任务上进行基准测试提供了适当的框架。

    Sep, 2016