量子与经典贡献在混合量子机器学习架构中的分解
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
设计了一个集成预处理和量子分类算法的可训练模型,即引导量子压缩模型,来解决量子机器学习算法使用经典自动编码器作为独立预处理步骤可能导致分类性能下降的问题,并通过应用于 LHC 的质子 - 质子碰撞中的希格斯玻色子识别,展示了该模型在解决分类问题上的优越性能。
Feb, 2024
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
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
本文提出了一种基于混合量子自编码器的 QML 算法,旨在在经典描述的空间中学习识别和分类量子态的特征属性,为聚类和半监督分类提供了一种新的方法,该方法针对的是幅度编码的量子态,可以应用于非平凡的量子数据集的结构分析。
Jul, 2021
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
本篇论文研究使用经典的优化算法来训练量子自编码器,从而实现对量子数据进行压缩和简化处理,且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。
Dec, 2016
该论文介绍了一种新的方法,通过知识蒸馏从经典神经网络向量子神经网络传递知识,有效地弥合了经典机器学习和新兴量子计算技术之间的鸿沟,为量子机器学习的未来研究铺平了道路。
Nov, 2023
该研究致力于量子深度学习方面的研究,引入了一种协同的经典 - 量子架构 co-TenQu,通过压缩和特征提取的张量网络和有限量子比特的逻辑电路,实现对高维数据的编码,同时使用量子态保真度评估函数实现两侧之间的反馈循环训练网络。相比现有方法,co-TenQu 在公平环境中提高了经典深度神经网络的性能达 41.72%,并且在使用更少量子比特的情况下,相比其他基于量子的方法提高了至多 1.9 倍并获得类似的准确度。
Feb, 2024