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

Jun, 2024

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

Building Continuous Quantum-Classical Bayesian Neural Networks for a Classical Clinical Dataset

Alona Sakhnenko, Julian Sikora, Jeanette Miriam Lorenz

TL;DR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。

Abstract

In this work, we are introducing a quantum-classical bayesian neural network (QCBNN) that is capable to perform uncertainty-aware classification of classical →

quantum-classical bayesian neural network uncertainty-aware classification medical dataset stochastic weights quantum circuit

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

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

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

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

近期处理器上的量子神经网络分类

我们介绍了一个可以通过监督学习表示带有标签的数据（经典或量子）并进行训练的量子神经网络。该网络由一系列参数相关的酉变换组成，作用于输入的量子态，可以进行二元分类。我们展示了如何对经典数据集进行分类，并使用实际数据集的例子展示了该网络的应用。

Feb, 2018

量子神经网络用于量子神经计算

本研究提出了一种新的量子神经网络模型，使用实际存在的环境诱导的退相干的量子系统上的 (经典控制的) 单量子比特操作和测量，从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。

May, 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

CQural: 基于卷积神经网络的混合架构用于量子连续机器学习

本研究论文中，作者提出使用新型混合经典 - 量子神经网络模型可以避免神经网络在永久学习中的灾难性遗忘问题。同时，模型训练还可以得到更好的性能并学习到最重要的特征。在 MNIST 和 CIFAR-10 数据集上，实验结果表明混合神经网络在记住类特定特征方面优于传统的神经网络。

May, 2023

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

量子卷积神经网络

我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。

Oct, 2018