XiaoMi-AI文件搜索系统
World File Search SystemQNN
使用量子神经网络进行早期乳腺癌检测的研究
摘要 计算机辅助图像诊断 (CAD) 已用于诊断医学的许多领域。它在很大程度上依赖于经典的计算机视觉和人工智能。量子神经网络 (QNN) 已被世界各地的许多研究人员引入，最近由微软、谷歌和 IBM 等研究公司提出。本文对使用 QNN 算法进行基于机器的乳腺癌检测的有效性进行了调查。为了验证 QNN 的可学习性，与经典卷积神经网络 (CCNN) 一起进行了一系列可学习性测试。QNN 是使用 Cirq 库构建的，以在经典计算机上执行量子计算的同化。进行了一系列调查，以研究 QNN 和 CCNN 在相同计算条件下的可学习性特性。针对真实的乳房 X 线照片数据集进行了比较。调查显示在数据识别和训练方面取得了成功。我们的工作表明，与 CCNN 相比，QNN 在成功训练和为较小数据集生成有效模型方面表现更好。
模式识别 - 牛津大学研究档案
尽管量子神经网络（QNN）最近在解决简单的机器学习任务方面显示出令人鼓舞的结果，但二进制模式分类中QNN的行为仍未得到充实。在这项工作中，我们发现QNN在二元模式分类中具有致命的脚跟。为了说明这一点，我们通过介绍和分析嵌入具有完全纠缠的QNN家族的新形式的对称性形式，从而对QNN的性质提供了理论上的见解，我们将其称为否定性。由于否定对称性，QNN无法区分量子二进制信号及其负面信号。我们使用Google的量子计算框架在二进制模式策略任务中经验评估QNN的负对称性。理论和实验结果都表明，否定对称性是QNN的基本特性，经典模型并非共享。我们的发现还暗示否定对称性是实用量子应用中的双刃剑。
用于二元模式分类的量子神经网络的负对称性
尽管量子神经网络 (QNN) 近期在解决简单的机器学习任务方面表现出良好的效果，但 QNN 在二元模式分类中的行为仍未得到充分探索。在这项工作中，我们发现 QNN 在二元模式分类中有一个致命弱点。为了说明这一点，我们通过展示和分析嵌入在具有完全纠缠的 QNN 系列中的一种新对称形式（我们称之为负对称），从理论上洞察了 QNN 的属性。由于负对称性，QNN 无法区分量子二进制信号及其负对应信号。我们使用 Google 的量子计算框架，通过实证评估了 QNN 在二元模式分类任务中的负对称性。理论和实验结果均表明，负对称性是 QNN 的基本属性，而经典模型并不具备这种属性。我们的研究结果还表明，负对称性在实际量子应用中是一把双刃剑。
迈向物理可实现的量子神经网络
近年来，人们对量子神经网络 (QNN) 及其在不同领域的应用产生了浓厚的兴趣。当前的 QNN 解决方案在其可扩展性方面提出了重大挑战，确保满足量子力学的假设并且网络在物理上可实现。QNN 的指数状态空间对训练程序的可扩展性提出了挑战。不可克隆原则禁止制作训练样本的多个副本，而测量假设会导致非确定性损失函数。因此，依赖于对每个样本的多个副本进行重复测量来训练 QNN 的现有方法的物理可实现性和效率尚不清楚。本文提出了一种新的 QNN 模型，该模型依赖于量子感知器 (QP) 传递函数的带限傅里叶展开来设计可扩展的训练程序。该训练程序通过随机量子随机梯度下降技术得到增强，从而无需复制样本。我们表明，即使存在由于量子测量而产生的不确定性，该训练程序也会收敛到期望的真实最小值。我们的解决方案有许多重要的好处：（i）使用具有集中傅里叶功率谱的 QP，我们表明 QNN 的训练程序可以可扩展；（ii）它消除了重新采样的需要，从而与无克隆规则保持一致；（iii）由于每个数据样本每个时期处理一次，因此提高了整个训练过程的数据效率。我们为我们的模型和方法的可扩展性、准确性和数据效率提供了详细的理论基础。我们还通过一系列数值实验验证了我们方法的实用性。
量子神经网络的评论：方法，模型，困境
摘要 - 量子计算机硬件的快速开发为实现QNN奠定了硬件基础。由于量子特性，与经典相比，QNN显示出更高的存储容量和计算效率。本文将从三个部分中回顾过去六年中QNN的开发：实施方法，量子电路模型和面临的困难。在第一部分中，实现方法主要是指用于构建QNN模型（例如VQA）的某些非衍生算法和理论框架。第二部分引入了QNN的几个量子电路模型，包括QBM，QCVNN等。第三部分描述了目前遇到的一些主要困难问题。简而言之，这个领域仍处于探索阶段，充满了魔法和实践意义。
减少量子神经网络中的有限采样噪声
量子神经网络 (QNN) 使用具有数据相关输入的参数化量子电路，并通过评估期望值来生成输出。计算这些期望值需要重复进行电路评估，因此即使在无误差的量子计算机上也会引入基本的有限采样噪声。我们通过引入方差正则化来减少这种噪声，这是一种在量子模型训练期间减少期望值方差的技术。如果 QNN 构建正确，则此技术不需要额外的电路评估。我们的实证结果表明，方差的降低加快了训练速度，降低了输出噪声，并减少了梯度电路的必要评估次数。该正则化方法以多个函数的回归和水的势能表面为基准。我们表明，在我们的示例中，它平均将方差降低了一个数量级，并导致 QNN 的噪声水平显着降低。我们最后在真实的量子设备上演示了 QNN 训练，并评估了错误缓解的影响。这里，优化是可行的，仅仅是由于方差的减少导致梯度评估中所需的拍摄次数减少。
![arxiv：2402.08606v3 [Quant-ph] 2024年12月23日](/simg/e\ea27b85a44b6874e30eb107cafb36915d2025411.webp)
arxiv：2402.08606v3 [Quant-ph] 2024年12月23日
量子机学习的最新理论结果表明，量子神经网络（QNN）的表达能力与其训练性之间的一般权衡。作为这些结果的基础，人们认为对经典机器学习模型的表达能力的实用指数分离是不可行的，因为这样的QNN需要一些时间来训练模型大小的指数。我们在这里通过构建有效训练的QNN的层次结构来巩固这些负面的结果，这些QNN在经典神经网络上表现出无条件可证明的，多项式记忆的分离，包括经典神经网络（包括最先进的模型）（例如变形金刚），例如执行经典序列模型模型。这种结构也是计算上有效的，因为引入类别QNN类的每个单元仅具有恒定的栅极复杂性。我们表明，上下文 - 在形象上，语义歧义的定量概念是表达性分离的来源，这表明使用此属性的其他学习任务可能是使用量子学习算法的自然设置。
评估量子卷积神经网络的准确性和对抗鲁棒性
摘要 — 机器学习可以推动技术进步，造福不同的应用领域。此外，随着量子计算的兴起，机器学习算法已开始在量子环境中实现；现在称为量子机器学习。有几种尝试在量子计算机中实现深度学习。然而，它们并没有完全成功。然后，发现了一种结合了附加量子卷积层的卷积神经网络 (CNN)，称为量子卷积神经网络 (QNN)。QNN 的性能优于经典 CNN。因此，QNN 可以实现比经典神经网络更好的准确度和损失值，并显示出它们对从其经典版本生成的对抗性示例的鲁棒性。这项工作旨在评估 QNN 与 CNN 相比的准确度、损失值和对抗鲁棒性。索引术语 — 量子卷积神经网络、量子神经网络、卷积神经网络
使用优化的量子神经网络对脑电图信号进行分类
近年来，机器学习的算法被用于脑信号识别，作为诊断阿尔茨海默氏病和癫痫等疾病的有用技术。在本文中，脑电图（EEG）信号在标准化这些信号后使用优化的量子神经网络（QNN）进行分类。将小波变换（WT）和独立组件分析（ICA）用于特征提取。这些算法用于降低数据的尺寸，这是对优化QNN的输入，目的是在特征提取过程后执行分类过程。这项研究使用了优化的QNN，一种馈电神经网络（FFNN）的形式，以识别脑电图信号。使用粒子群优化（PSO）算法来优化量子神经网络，从而改善了系统性能的训练过程。优化的QNN为我们提供了更快，更现实的结果。根据模拟结果，ICA的总分类为82.4％，而WT的总分类为78.43％；从这些结果中，使用ICA进行特征提取比使用WT更好。