可裁剪的量子联邦学习
通过比较深度神经网络(DNNs)和量子神经网络(QNNs)的性能,本研究探讨了量子神经网络的归纳偏置和表达能力,并发现了一个比较结果:无论是具有归纳偏置的限制型 QNNs 还是具有高表达能力但无归纳偏置的 QNNs,它们与 DNNs 相比要么有表达能力较差要么在泛化性能上处于劣势。
Jul, 2024
量子神经网络(QNNs)需要一种高效的训练算法以实现实际的量子优势。我们提出了一种通用的权衡关系,即高测量效率会导致较低的表达能力,而减少 QNN 的表达能力可以提高梯度测量效率,同时提出了一种称为稳定 - 逻辑乘积 ansatz 的 QNN 设计方案,可以实现权衡不等式的上限,在学习未知对称函数时显著减少了量子资源需求,保持了准确性和可训练性。
Jun, 2024
我们提出了一种新颖的量子广义傅立叶神经网络(QIREN),其通过理论分析证明了比经典的傅立叶神经网络具有量子优势,并通过信号表示、图像超分辨率和图像生成任务的实验证明了 QIREN 相对于最先进模型的卓越性能。我们的工作不仅将量子优势融入了隐性神经表示中,还揭示了量子神经网络的一个有前景的应用方向。
Jun, 2024
该研究论文介绍了一种新颖的基于集成的策略,名为 STIQ,用于在云环境中保护 Quantum Neural Networks(QNNs)的安全性,通过同时训练两个不同的 QNNs,并对它们的输出进行混淆,从而有效地掩盖了单个模型的准确度和损失,以增强 QNNs 在云环境中的安全性和完整性。
May, 2024
提出了一种基于量子卷积的全新量子神经网络模型,该模型通过引入多尺度特征融合机制和量子深度卷积来提高模型性能,并通过实验证明其在文本分类任务上优于现有量子神经网络模型,同时在使用更少参数的情况下提高了测试精度。
May, 2024
本研究旨在应用量子计算技术解决电力系统仿真问题,通过引入两种新型量子神经网络(Sinusoidal-Friendly QNN 和 Polynomial-Friendly QNN)来优化解决微分代数方程的传统模拟技术,并成功地在两个小型电力系统中应用这些量子神经网络进行仿真,表明其在精度上具有潜力,且进一步研究了各种配置来优化量子神经网络解决微分代数方程的效果,这不仅是量子计算在电力系统模拟中的首次尝试,还拓展了量子技术在解决复杂工程问题上的潜力。
May, 2024
基于量子网络的量子联邦学习(QFL)是一个新兴的概念,旨在在量子网络上展开联邦学习(FL),实现协同的量子模型训练并保护本地数据隐私。本研究探讨了在云平台上部署 QFL 所面临的挑战,强调了量子复杂性和平台限制。提出的以数据编码驱动的 QFL,在量子模拟器上使用基因组数据集(GitHub 开源)的概念验证中展示了有希望的结果。
May, 2024
量子计算机仿真软件关键研究领域:qiskit-torch-module 在提高运行效率、低开销与 PyTorch 集成方面较其他库提升两个数量级;适用于单机计算系统的高级工具,便于量子神经网络的整合。
Apr, 2024
这项研究针对量子神经网络(QNN)在决策系统中的成功,发现其公平性问题,并强调了 QNN 的部署和量子噪声对准确性和公平性的重大影响。为了有效地探索广阔的 QNN 部署设计空间,我们提出了 JustQ 框架,在 NISQ 计算机上部署公平准确的 QNN,包括完整的 NISQ 错误模型、基于强化学习的部署,以及结合了公平性和准确性的灵活优化目标。实验结果显示 JustQ 优于先前的方法,在准确性和公平性上取得了更好的表现。这项研究开创了在 NISQ 计算机上公平的 QNN 设计,为未来的研究铺平了道路。
Mar, 2024
本研究探索了量子联邦学习作为一个框架,通过分布式网络来训练量子机器学习模型的创新领域。我们提出的联邦量子神经网络框架是一种前沿解决方案,将量子机器学习的独特特性与经典联邦学习的原理融合在一起。通过在不同数据集上进行的实验证明,我们的 FedQNN 框架具有很强的适应性和功效,可以在分布式环境中安全处理数据并促进合作学习,结果在三个不同数据集上始终保持超过 86% 的准确率,证明了它在进行各种量子机器学习任务上的适用性。我们的研究不仅确定了传统范式的局限性,还提出了一个新的框架,推动量子机器学习领域进入一个新时代的安全和协作创新。
Mar, 2024