交互层的量子卷积神经网络用于经典数据的分类
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。
Apr, 2023
使用 PennyLane 实现的量子卷积神经网络(QCNN)通过参数化量子电路优化来最小化交叉熵损失,用于经典数据的多类分类,在 MNIST 数据集上的实验结果表明,对于 4 类问题,性能略低于经典 CNN,但对于更多类别的问题,量子卷积神经网络表现出更好的性能。
Apr, 2024
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
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
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
本研究探讨了一种可扩展的量子神经网络(SQNN)方法,通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明,相比于相同规模的常规 QNN 模型, SQNN 模型可以实现具有可比较的分类精度,并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。
Aug, 2022
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法,并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。
Sep, 2020
量子机器学习是量子计算的一个有潜力的早期使用案例,该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览,其包括从理论研究到数值模拟再到概念验证等多个方面的进展。
Apr, 2024
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