神经量子支持向量机
本文针对 QSVM 模型的两种方法:量子核 SVM(QK-SVM)和量子变分 SVM(QV-SVM)进行研究,并提出了一种将二者优势相结合的新型模型:量子变分核 SVM(QVK-SVM)。实验结果表明,QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型,具有很大的应用潜力,值得被推广应用于未来的量子机器学习研究。
May, 2023
本文旨在比较机器学习算法的有效性在经典和量子计算范式中。通过研究经典支持向量机和基于量子硬件的量子支持向量机在鸢尾花数据集上的分类能力,我们发现在特定场景下,量子支持向量机可以与经典支持向量机相媲美的准确率,尽管目前的执行时间较长。此外,我们强调增加量子计算能力和并行规模可以显著提高量子机器学习算法的性能。这项研究为我们提供了关于机器学习在量子计算时代的现状和未来潜力的宝贵见解。
Oct, 2023
利用量子支持向量机和变分量子线性求解器,我们提出了一种用于处理分类问题的新颖方法,并在 Noisy Intermediate Scale Quantum (NISQ) 设备上进行了全面的数值实验,通过构建一个分类器,实现从一个到七个维度的特征空间的分类。
Sep, 2023
本研究提出了一种新颖的方法,量子支持向量机特征选择(QSVMF),将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现:最大化分类准确性,最小化选定特征和量子电路成本,并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择,将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明,QSVMF 取得了卓越的性能。此外,QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡,识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力,尤其是在处理复杂的真实世界数据时。
Nov, 2023
我们引入了一种革新性的量子增强支持向量机(QSVM)方法,利用量子计算和 GPU 加速来进行恒星分类,QSVM 算法在处理复杂的二元和多类别情况下显著优于传统方法,尤其是在哈佛恒星分类系统中。量子原理的整合显著提高了分类准确性,而使用 cuQuantum SDK 进行 GPU 加速确保了量子模拟器中大数据集的计算效率和可扩展性。这种协同作用不仅加快了处理过程,还提高了分类不同恒星类型的准确性,为天体物理学和相关科学领域的研究提供了量子机器学习的变革潜力,为恒星分类的精度和处理速度跃升到一个新的水平。这一进展对天体物理学和相关科学领域具有广泛的影响。
Nov, 2023
该研究表明,通过矩阵乘法技术实现支持向量机,并在量子计算机上实现,可获得当经典取样算法需要多项式时间时的指数加速,以及内积(核)矩阵的矩阵求逆的非稀疏矩阵数乘法,从而在监督式机器学习中实现新数据分类。
Jul, 2013
我们描述了一种用于训练支持向量机的绝热量子方法,该方法的量子计算时间复杂度比经典方法好一个数量级,我们在五个基准数据集上比较了量子方法和经典方法的测试准确度,在可扩展性研究中,我们发现量子方法在具有许多特征的数据集上比经典方法快 3.5-4.5 倍。
Jan, 2024
通过应用 Quantum Support Vector Machine (QSVM) 方法,提高了前列腺癌检测的诊断性能,成功创建了一个独特的特征空间,能够检测数据中的复杂非线性模式,相比传统的 SVM 方法,在准确度上有可比较的准确率(92%),敏感性提高了 7.14%,F1-Score 达到 93.33%,将量子计算应用于医学诊断标志着医学技术未来的重大进步。
Mar, 2024