Apr, 2024

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

PDF
TL;DR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。
quantum algorithmsnoisy intermediate scale quantummachine learningdeep learningcomputer vision
发现论文，激发创造
  • 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

  • 利用内在噪声进行量子机器学习隐私保护

    利用量子计算中的自然噪声保护量子机器学习模型的数据隐私，在不同次数运行量子电路可以实现目标隐私保护水平。

    Dec, 2023

  • 基于 NISQ 硬件的混合量子迁移学习与裂纹图像分类

    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

  • 光子学中的量子生成对抗学习

    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

  • MosaiQ: 量子生成对抗网络在 NISQ 计算机上的图像生成

    MosaiQ 是一个高质量的量子图像生成 GAN 框架，可以在当今的中期量子计算机上执行，解决了以往量子技术在图像生成方面的质量和鲁棒性问题。

    Aug, 2023

  • 噪声中等规模量子算法

    该研究总结了嘈杂中间规模量子计算的范例和算法，探讨了其限制与优势，并提供了各种编程和测试工具的全面概述。

    Jan, 2021

  • 近期量子计算机中量子辅助机器学习的机遇和挑战

    通过使用混合量子 - 经典方法并介绍了一个名为 Quantum-assisted Helmholtz Machine (QAHM) 的新算法，我们提出了一种解决当前量子计算和量子机器学习的困难关系，特别是在生成模型方面的解决方案。

    Aug, 2017

  • 量子图像去噪与机器学习：提高量子图像处理质量和可靠性的新方法

    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

  • 实用量子误差缓解的机器学习

    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

  • 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