למידת מכונה קוונטית מראה הבטחה בגילוי התקפות DDoS חדשות עם כמות נתוני הדרכה מוגבלת, בעוד ששיטות קלאסיות מצטיינות בנתונים נקיים. הקתון סיפק השערות מחקר ולא יתרון קוונטי המוכן לייצור.

למידת מכונה קוונטית מראה הבטחה בגילוי התקפות DDoS חדשות עם כמות נתוני הדרכה מוגבלת, בעוד ששיטות קלאסיות מצטיינות בנתונים נקיים. הקתון סיפק השערות מחקר ולא יתרון קוונטי המוכן לייצור.
דגימת שור חלשה נשארת חזקה לרעש בלתי תלוי לכל עותק, כאשר שגיאת הפלט מוגבלת על ידי רצפת הרעש ε בתוספת O(d/√n)—תוך הוכחה שאלגוריתם Keyl-Werner היסודי להערכת ספקטרום שורד בהתקנים קוונטיים רועשים מציאותיים.
תרגמת MasonQ מאפשרת למידת מכונה קוונטית שומרת פרטיות על ידי מיפוי מעגלים לגרפים לבני עם תקורה פולילוגריתמית. מדגימה שיתרונות חישוביים קוונטיים ויתרונות פרטיות יכולים להתקיים בו-זמנית—אלגוריתם HHL ומערכות המלצות שומרות על קנה מידה אסימפטוטי טוב...
חוקרים הדגימו מוליך קוונטי פוטוני לחישובי מאגר שעולה על למידת מכונה קלאסית במשימות חיזוי סדרות זמן והכרת דפוסים תוך שימוש בפחות פרמטרים חישוביים משמעותיים—מקדם מחשוב קוונטי חיסכוני במשאבים.
סגרנו את הפער בין אסטרטגיות מקבילות לסדרתיות בטומוגרפיה קוונטית. השגנו סיבוכיות שאילתות אופטימלית O(d²/ε) ללמידת ערוצים יוניטריים d-ממדיים במרחק היהלום תוך שימוש בשאילתות מקבילות בלבד, תוך התאמה לביצועים סדרתיים ללא פגיעה בדיוק.
הצבנו מעגל קוונטי בן 316 קיוביטים על IBM Heron בן 156 קיוביטים באמצעות רעש מבוקר כדי לפרוק אותו לרסיסים קטנים יותר. הקלה מחלויות שחזרה את איכות המדגם ושומרת על קורלציות, תוך קידום למידת מכונה קוונטית הניתנת להרחבה.
מכונות SVM של ליבות קוונטיות מציגות ביצועים תלויי משימה לסיווג אבטחת רשתות — תחרותיות על חלק מסטים הנתונים אך לא בעלות עדיפות אוניברסלית. סקיצה אורקל קוונטית מציעה יתרונות יעילות זיכרון לטווח ארוך על פני אחסון דליל מפורש לגישת נתונים בקנה מידה גדול.
אלגוריתם למידה קוונטית פורץ דרך: לומד בצורה יעילה מצבים קוונטיים בממד קשר נמוך מנתונים ללא הנחה שהמצב הלא ידוע שייך למחלקת המודל, תוך שימוש בדחיסה ותכנות דינמי עם מורכבות פולינומיאלית.
QDD מזקק מערכות נתונים למעגלים קוונטיים רדודים קומפקטיים, ומשיג דיוק השוואה להכשרה על כלל הנתונים באמצעות 10 מעגלים בלבד לכל מחלקה. מפחית קריאות קוונטיות מצטברות ביותר מ-100 פעמים תוך שמירה על ביצועים—אומת על מעבדים אמיתיים של IBM.
רשתות עצביות קוונטיות חדשניות בעלות ערכים מורכבים המרחיבות מעבר לארכיטקטורות מסורתיות בעלות ערכים ממשיים, משפרות ביטויות וכפילות פרמטרים דרך עיצוב מובנה. הוכחו בהצלחה על מעבדים קוונטיים מוליכי-על עם ביצועי למידה משופרים.
למידה מקובלת היברידית קוונטית-קלסית משיגה דיוק של 87.57% תוך שימוש בכ-12 פרמטרים הניתנים לאימון בלבד לעומת 1,002+ לחלופות קלסיות, מה שמאפשר ML רב-צדדי המשמר פרטיות ללא ריכוז נתונים גולמיים.
מחקר השוואתי על סיווג סרטן השד מראה כי רגרסיה לוגיסטית קלאסית (דיוק 97.8%) עולה על מסווגים קוונטיים VQC (88.9%) ו-QSVM (95.6%). מודלים קוונטיים עדיין לא הצליחו להשיג יתרון ברור על קווי בסיס קלאסיים מכוונים היטב בערכות נתונים מובנות וקטנות.
הפעלנו רשת קוונטית-קלאסית היברידית על חומרה קוונטית IBM אמיתית לניתוח 30,000+ דפוסי XRD ניסיוניים מתאים דלק וסוללות. השגנו התאוששות הרכב פאזה התואמת לזיקוק קלאסי בטעות של 5-10% - הדגמה ראשונה של חומרה NISQ לקנה מידה גדול...
שיטת רשת עצבית המנצלת יחסי אי-ודאות קוונטיים לסיווג סוגי שִׁזְרוּר רב-חלקי בדיוק של 99.5% במערכות 20-קיוביט, תוך הקטנת דרישות המדידה והעלויות החישוביות תוך שמירה על עמידות לרעש.
חוקרים פיתחו ארכיטקטורה חדשנית של RBM שמעבדת ישירות מצבים קוונטיים כקלטים בעזרת תבניות קוונטיות ניתנות לאימון. הוכיחו זיהוי פאזה יעיל על פני מערכות קוונטיות מרובות ללא תוויות פאזה, וחיברו בין עיבוד מצבים קוונטיים ללמידה קלאסית...
GRPO-QM לומד אסטרטגיות חקירה בטומוגרפיה של מצבים קוונטיים, תוך שמירה על התפלגויות אחוריות באמצעות תיקוני מטרופוליס. הניתוח חושף כי רוב הרווחים מקורם בהצעות פיזיות ולא בתזמון שנלמד, עם השלכות ישירות על הסקה קוונטית.
ארכיטקטורה היברידית קוונטית-קלאסית משיגה צמצום של 99.31% בפרמטרים לזיהוי עצמים תוך שמירה על ביצועים שקולים באמצעות שלבול מובקר בטופולוגיה וחלוקת מרחב הילברט במערכת של 8 קוביטים.
חוקרים השיגו סיבוכיות דגימה אופטימלית ללימוד מצבי יציבות של n-qubit תוך שימוש בـ n+log(1/δ) עותקים—שיפור בגורם קבוע לעומת שיטות קודמות. האלגוריתם בזמן פולינומי משלב ניתוח פורייה על קבוצות אבליות עם מדידות קוהרנטיות משותפות.
חוקרים הדגימו סובלנות רעש גבוהה פי 10: מפות תכונות קוונטיות בהשראת אמפליטודה שמרו על דיוק של 100% עד לשיעורי שגיאה של 10% על פני ערוצי רעש מרובים, ועלו בהרבה על שיטות קידוד אחרות בחומרה קוונטית בטווח הקרוב.
קידודים סקלריים לא-ליניאריים מאפשרים מצבים קוונטיים של רשתות נוירונים יעילים יותר עבור מערכות מולטיקטגוריאליות. רשתות קולמוגורוב-ארנולד משיגות ביצועים עליונים במודלים של spin-S וPotts בהשוואה לשיטות one-hot, עם תנאי אופטימיזציה משופרים.