量子神经网络相关 AI 资讯 · AI 热点

7月9日

09:26

09:26

官方账号arXiv cs.AI@Leonardo Nogueira Falabella, Vasily Sazonov

该论文提出一种混合量子-经典架构，将量子卷积神经网络（QCNN）与路径签名核（path signature kernel）结合，用于时间序列分类。架构通过特征层计算参考路径与目标路径之间的签名核，使用经典或量子变分线性求解器（VQLS）实现。在基于手写数字时间序列表示的二元分类任务中，作者评估了不同QCNN配置下的多个实现版本。实验表明，在量子电路中引入路径签名核层具有潜在优势，同时分析了VQLS组件的计算局限性。

论文 QCNN VQLS path signature 量子神经网络时间序列

推荐理由：一篇用QCNN和路径签名核搞定时间序列分类的新论文，手写数字分类实验证明了量子电路里加签名核的有效性，适合关注量子机器学习的朋友。

7月2日

10:01

10:01

官方账号arXiv cs.LG@Yeonhong Kim, Jonghyeok Im, Monu Nath Baitha, Kyoungsik Kim

该论文在WM-811K晶圆图缺陷分类任务（8类）上，控制卷积主干（约430万参数）不变，仅替换头部为经典全连接、连续变量（CV）或离散变量（DV）量子神经网络（QNN），并缩放至3、4、8个qumodes/qubits。在4个qumodes/qubits时，CV-QNN达到79.7±1.8%准确率，DV-QNN仅61.6±1.4%，差距18个百分点。CV对空间局部的Edge-Loc类召回率达0.66±0.06，而DV始终低于0.05。实验表明CV优势来自结构化层和连续相空间编码，而非希尔伯特空间维度；经典基线为85.0%，但控制实验揭示了结构头部的潜力。

论文量子神经网络 QNN 晶圆缺陷分类 CV-QNN DV-QNN

推荐理由：这篇论文用晶圆缺陷分类任务硬核对比了两种量子计算范式，CV在4个qumodes下比DV高出18个点，还解释了为什么。搞量子机器学习或半导体良率的朋友可以看看。