量子机器学习用于图像分类

Apr, 2023

Quantum machine learning for image classification

Arsenii Senokosov, Alexander Sedykh, Asel Sagingalieva, Alexey Melnikov

TL;DR本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

Abstract

image recognition and classification are fundamental tasks with diverse practical applications across various industries, making them critical in the modern world. Recently, machine learning models, particularly neural networks, have emerged as powerful tools for solving these problems

image recognition neural network quantum machine learning hybrid quantum-classical models mnist dataset

发现论文，激发创造

量子与经典神经网络模型在图像分类任务中的比较

研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

Aug, 2021

量子神经网络分类器：教程

本文主要讨论了量子神经网络（Quantum Neural Networks）在监督学习任务中的不同结构和编码策略，并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能，以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。

Jun, 2022

量子机器学习图像分类

本文探讨使用量子分类器对二进制属性进行模式分类，特别是对图像数据集的分类表现良好，对医学领域来说是具有很大潜力的。

Nov, 2020

混合经典 - 量子神经网络中的迁移学习

本文为机器学习算法中广泛应用的迁移学习的概念扩展到了由经典和量子元素组成的混合神经网络的新兴领域，提出了不同实现混合迁移学习的方法，并重点关注了现代量子技术下，经典网络的预处理和优化加上量子算法处理的优秀组合，提供了图像识别和量子态分类等方面的几个案例，利用 PennyLane 软件库在 IBM 和 Rigetti 提供的两种不同的量子计算机上进行了测试。

Dec, 2019

交互层的量子卷积神经网络用于经典数据的分类

该研究介绍了一种使用三量子比特相互作用增加网络表达能力和纠缠能力的量子卷积网络，通过对 MNIST、Fashion MNIST 和 Iris 数据集进行二分类和多分类，发现其性能超越了现有的最先进方法。

Jul, 2023

高维数据分类中的混合量子神经网络

该研究探索了量子深度学习模型在解决传统深度学习模型难以处理的具有挑战性的机器学习问题方面的潜力。我们介绍了一种新型模型架构，将经典卷积层与量子神经网络相结合，旨在超越现有最先进的准确性，同时保持紧凑的模型尺寸。该实验对来自 Bird-CLEF 2021 数据集的高维音频数据进行分类，我们的评估重点关注训练持续时间、模型准确性和总模型尺寸等关键指标。这项研究证明了量子机器学习在增强机器学习任务和解决当今实际机器学习挑战方面的潜力。

Dec, 2023

混合量子 - 经典卷积神经网络

本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

Nov, 2019

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

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

量卷积神经网络：利用量子电路提升图像识别能力

本文介绍了一种新的变换层：quanvolutional layer，它可以通过在局部应用数个随机量子电路的方式对输入数据进行变换，类似于卷积过滤层。在 MNIST 数据集上的实验结果表明，用 QNN 可以比传统 CNN 享有更高的测试集精度和更快的训练速度。

Apr, 2019