Mar, 2024

利用静息态功能性磁共振成像时间序列的混合量子经典算法进行早期认知损伤检测

PDF
TL;DR该研究探索了一种基于混合量子 - 经典算法的应用，用于基于认知衰退的重要性对早期认知障碍患者进行从安静态功能磁共振成像中获得的感兴趣区域时间序列数据的分类，通过经典一维卷积层与量子卷积神经网络的混合算法。在类似的训练条件下，所提出的混合算法在经典模拟中表现出比经典卷积神经网络更高的平衡准确性。此外，在模型性能的基础上，发现了 116 个脑区中的 9 个脑区（左侧前中央回、右上颞回、左侧罗兰迪操作、右侧罗兰迪操作、左侧海马旁回、右侧海马、左侧前额中央回、右侧小脑舟状核和小脑蚓部）对于分类具有相对有效的脑部区域。所选定的这 9 个脑区与认知衰退的相关性在之前的研究中得到了进一步的验证，通过基于种子的功能连接分析。我们证实了量子卷积神经网络的模型性能提升以及来自我们的混合量子 - 经典模型的脑区的神经科学有效性。
quantum machine learninghybrid algorithmcognitive impairmentconvolutional neural networksbrain regions
发现论文，激发创造
  • 混合量子 - 经典卷积神经网络

    本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

    Nov, 2019

  • 量子机器学习用于图像分类

    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

  • 高维数据分类中的混合量子神经网络

    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

  • 构建连续的量子经典贝叶斯神经网络用于一个经典临床数据集

    这篇论文介绍了一种量子 - 经典贝叶斯神经网络 (QCBNN)，能够对经典医学数据集进行具有不确定性意识的分类。该模型是经典卷积神经网络和生成随机权重的量子电路在贝叶斯学习框架中的协同作用。通过跟踪多个行为度量指标，本研究的目标是创建一个混合模型，能够以更具不确定性的方式对样本进行分类，从而提高这些模型的可信度，并使其更接近工业应用。通过对量子电路的多种设置进行测试，得出最佳架构在正确和错误样本之间显示出更大的不确定性差距，同时稍微降低了预测性能。该论文的创新点有两个：(1) 结合不同方法，使量子电路的随机权重能够连续化，从而使模型能够对应用驱动的数据集进行分类；(2) 研究量子电路的架构特征对这些模型的影响，为进一步研究更加明智的架构设计铺平了道路。

    Jun, 2024

  • 量子机器学习在认知领域中的应用：阿尔茨海默病研究

    使用量子计算技术和人工智能方法，对老年人的手写数据进行早期阿尔茨海默病诊断，取得了 0.75 的准确率。

    Sep, 2023

  • 量子与经典神经网络模型在图像分类任务中的比较

    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

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

    Mar, 2024

  • 多尺度功能磁共振成像时间序列分析用于理解轻度认知功能障碍的神经退行性变化

    本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

    Feb, 2024

  • 交互层的量子卷积神经网络用于经典数据的分类

    该研究介绍了一种使用三量子比特相互作用增加网络表达能力和纠缠能力的量子卷积网络，通过对 MNIST、Fashion MNIST 和 Iris 数据集进行二分类和多分类，发现其性能超越了现有的最先进方法。

    Jul, 2023

  • 用于 AGILE 空间任务数据中伽玛射线暴检测的量子卷积神经网络

    利用混合量子 - 经典计算的量子计算代表着人工智能的前沿，本研究使用多个框架分析 AGILE 的数据以侦测天空图或光曲线中的伽马射线暴，基于 QCNN 的模型在天空图上达到 95.1% 的准确度。

    Apr, 2024