Mar, 2024

JustQ: 公平准确量子神经网络的自动部署

PDF
TL;DR这项研究针对量子神经网络（QNN）在决策系统中的成功，发现其公平性问题，并强调了 QNN 的部署和量子噪声对准确性和公平性的重大影响。为了有效地探索广阔的 QNN 部署设计空间，我们提出了 JustQ 框架，在 NISQ 计算机上部署公平准确的 QNN，包括完整的 NISQ 错误模型、基于强化学习的部署，以及结合了公平性和准确性的灵活优化目标。实验结果显示 JustQ 优于先前的方法，在准确性和公平性上取得了更好的表现。这项研究开创了在 NISQ 计算机上公平的 QNN 设计，为未来的研究铺平了道路。
quantum neural networksfairnessqnn deploymentquantum noisenisq computers
发现论文，激发创造
  • 关于量子神经网络的可学习性

    本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效模拟。

    Jul, 2020

  • 相干前馈量子神经网络

    我们提出了一种真正的量子神经网络模型，其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性，并且具有较低的电路深度和所需的 C-NOT 门数量，从而优于现有的量子神经网络模型。通过对基准数据集进行测试，我们证明了我们的方法的优越性能，并且使用更少的量子资源要求，为将量子神经网络应用于实际相关的机器学习问题铺平了道路。

    Feb, 2024

  • 使用噪声量子神经网络进行量子态区分

    本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果，通过引入新的电路技术，并在当前的量子硬件噪声水平下对其进行验证，发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。

    Nov, 2019

  • 可扩展的量子卷积神经网络

    提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 QNN 的局限性。

    Sep, 2022

  • 可扩展的量子神经网络用于分类

    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

  • QuanTest: 量子神经网络系统的纠缠引导测试

    Quantum Neural Network (QNN) systems face challenges in testing due to their differences from classical DL systems, therefore this paper proposes QuanTest, a quantum entanglement-guided adversarial testing framework to uncover potential erroneous behaviors in QNN systems.

    Feb, 2024

  • HQNAS: 联合量化和架构搜索的自动 CNN 部署框架

    提出一种硬件感知量化神经架构搜索 (HQNAS) 框架，将神经结构搜索和量化方法结合，通过权值共享和比特共享以高效优雅的方式完成。在 CIFAR10 中只需要 4 小时 GPU 时间，能发现出卓越的 NN 策略。同时，我们的方法支持在线学习和持续适应环境。

    Oct, 2022

  • 量子泄漏：从基于云的 NISQ 设备中窃取量子神经网络

    介绍了 QuantumLeak，一种从基于云计算的 NISQ 机器中提取 QNN 模型的有效准确的技术，相比现有的经典模型窃取技术，QuantumLeak 在各种数据集和 VQC 架构上提高了 4.99%~7.35% 的本地 VQC 准确度。

    Mar, 2024

  • 量子化神经网络的简化部署

    本论文介绍了一种将 QNN 推理操作转换为整数推理操作的流程，以及一些基于比特串处理技术的方法，以常见的按位操作有效地部署 QNN。作者展示了 QNN 在移动 CPU 上的潜力，并提供了一个比特串矩阵乘法库。

    Sep, 2017

  • 评估噪声对量子神经网络的影响：实验分析

    该研究对噪声对量子神经网络的影响进行了全面分析，研究了 Mottonen 状态准备算法在各种噪声模型下的表现，并研究了量子状态在多层量子神经网络中的退化。此外，该论文评估了噪声对预训练量子神经网络性能的影响，并强调了噪声模型在量子计算中所带来的挑战。该研究结果对量子软件的发展具有重要意义，强调了在开发可靠和可信赖的量子神经网络时优先考虑稳定性和噪声修正措施的重要性，为量子计算和量子机器学习领域的数据库添砖加瓦，提供了对噪声对量子神经网络影响的新洞察，为更强大和有效的量子算法的发展铺平了道路。

    Nov, 2023