Jul, 2023

基于 NISQ 硬件的混合量子迁移学习与裂纹图像分类

PDF
TL;DR应用量子迁移学习检测灰度图像中的裂纹，比较了 PennyLane 的标准量子位和 IBM 的 qasm_simulator 以及真实后端的性能和训练时间，提供了他们的执行效率的见解。
quantum computersqubitsquantum machine learningnisq eraquantum transfer learning
发现论文，激发创造
  • 探索用于计算机视觉的量子增强机器学习：对噪声中尺度量子设备的应用和见解

    该研究探索了量子计算和机器学习的交叉领域，着重评估数据重新上传方案和补丁生成对抗网络模型等混合量子 - 经典算法在小规模量子设备上的有效性，并通过实际实现和测试揭示了这些算法与经典对应算法相当或更好的性能，突显了在机器学习任务中利用量子算法的潜力。

    Apr, 2024

  • 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

  • 量子机器学习用于图像分类

    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

  • 量子迁移学习的可接受性判断

    该研究展示了使用从大型语言模型中提取的嵌入向量进行量子迁移学习算法在经典语言学任务（可接受性判断）上进行分类的潜在优势，包括性能和表达能力，评估结果显示出与最先进的经典迁移学习算法相媲美的量子迁移学习流程，为当前量子计算机在自然语言处理任务中的能力提供了证明，并通过可解释的人工智能方法进行了定性的语言分析，揭示了量子迁移学习算法相较于经典算法在正确分类复杂和结构化句子方面的能力，为未来在自然语言处理中取得量子优势奠定了基础。

    Jan, 2024

  • 量子机器学习：从 NISQ 到容错

    量子机器学习的综述，包括在量子设备上运行机器学习算法的各种概念，介绍了在 Noisy Intermediate-Scale Quantum (NISQ) 技术中使用的技术和与容错量子计算硬件兼容的算法方法，同时涵盖了量子机器学习的基本概念、算法和与其相关的统计学习理论。

    Jan, 2024

  • 量子去噪扩散模型

    本研究探讨了量子机器学习和变分量子电路的整合，以增强扩散式图像生成模型的效力，并通过 MNIST 数字，Fashion MNIST 和 CIFAR-10 对两种量子扩散模型进行了基准测试，结果显示我们的模型在性能指标 FID、SSIM 和 PSNR 方面超越了传统模型。此外，我们还引入了一种一致性模型单一采样架构，将扩散过程合并为一步，实现了快速一步图像生成。

    Jan, 2024

  • 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

  • 混合量子计算机的量子电路训练

    这篇论文研究了使用基于数据的方法在陷阱离子量子计算机上训练量子电路，以实现一种高维普适量子电路的学习，为混合学习方案提供了进一步的发展和挑战。

    Dec, 2018

  • 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

  • 量子图像处理中深度学习作为量子误差降低的工具

    成功使用生成对抗网络和相位失真展开误差减小方法对使用 LPIQE 编码的图像进行整体误差降低。

    Nov, 2023