量子图像处理中深度学习作为量子误差降低的工具
通过训练和应用机器学习模型来识别和纠正量子处理图像中的噪声问题,我们可以弥补量子计算机产生的噪音并以高效率获取类似于经典计算机的处理结果。
Feb, 2024
通过研究量子机器学习在计算机视觉中的应用,本文发现现有的量子编码设计未能保证在编码过程后信息特征的保留,给量子机器学习模型的学习过程带来了复杂性,同时也导致了一个被称为 “量子信息差距” 的问题,该问题直接影响了量子机器学习算法的性能。为了解决这个挑战,我们引入了一种名为量子信息保持的简单而高效的新损失函数(QIP),以最小化这个差距,从而提升了量子机器学习算法的性能。广泛实验证明了我们的方法的有效性,相比当前方法,提供了卓越的性能,并始终在量子建模中取得了最先进的结果。
May, 2024
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。
Jul, 2023
今天的量子计算机是否能通过传统方法的量子错误纠正来解决量子计算机的潜在困难是一个挑战,但机器学习为量子错误纠正提供了潜在解决方案,通过模拟和实验,机器学习在 100 量子位的量子计算机上得到了许多正面结果,并且展现了在各种量子电路和设备噪声情况下的潜力。
Sep, 2023
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
本论文提出了一种新颖的量子预处理过滤器(QPF),以提高神经网络模型的图像分类准确性。通过应用 QPF 方法,研究结果表明,在 MNIST 数据集和 EMNIST 数据集上,基于手写数字和字母的图像分类准确性分别从 92.5% 提高到 95.4% 和从 68.9% 提高到 75.9%。在机器学习过程中,这些改进是在没有引入额外模型参数或优化的情况下实现的。然而,对于包含 43 个不同类别真实交通标志图像的相对复杂的 GTSRB 数据集,测试结果显示分类准确性有所降低。考虑到这一结果,进一步研究量子电路适用于图像分类神经网络的理解和设计,可以利用本论文中提出的基准方法。
Aug, 2023
机器学习在量子误差纠正中的应用研究发现通过利用远程辅助量子位可以显著提高误差纠正的准确性,最新的深度学习算法可以将卷积神经网络的准确性提高约 50%。
Nov, 2023
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
该研究论文提出了一种名为 Q-LEAR 的实用机器学习方法,通过一种新颖的特征集来减轻量子软件输出中的噪声错误,并与现有的基准 ML 方法进行比较,结果表明,与基准相比,Q-LEAR 在真实量子计算机和模拟器上的误差缓解平均提高了 25%。
Apr, 2024
使用可编程硅量子光子芯片,我们首次在光子学中实验性地演示了 QGAN 模型,并研究了噪声和缺陷对其性能的影响。我们的结果显示,即使在生成器的相移器的一半受损,或者生成器和鉴别器的所有相移器受到高达 0.04π 的相位噪声的条件下,QGAN 可以生成高质量的量子数据,保真度超过 90%。我们的工作为在 NISQ 时代的量子硬件上实施 QGAN 提供了可行性的线索。
Oct, 2023