研究人員開發了一種神經網絡，能夠直接從測量結果分類量子相，避免了昂貴的量子態重建過程。該研究展示了使用弱測量和機器學習進行無後選擇相位識別的方法。

#量子相 #機器學習 #新聞

神經網絡在定位多個量子發射體時優於傳統方法，在光子限制和高背景條件下使用量子關聯實現10倍精度提高和5倍光子減少的性能。

#量子傳感 #量子顯微 #機器學習

對119項研究的綜述揭示了人工智能-量子整合中的不對稱現象：機器學習明顯改進了量子優化組件，但量子對人工智能的影響仍僅限於模擬環境。研究人員發現了經典和量子之間的動態資源分配...

#量子優化 #機器學習 #自適應算法

哈佛的級聯解碼器使用機器學習實現了20倍更好的糾錯能力，在微秒內完成解碼且無需硬體改動——證明軟體是推進容錯量子系統發展的前沿。

#量子糾錯 #機器學習 #量子計算

BB-Net是一個基於注意力機制的神經網絡，以96.39%的準確率預測量子糾錯碼的距離，同時相比傳統啟發式方法實現了10,000倍的速度提升。這一突破加速了可擴展容錯量子碼的發現。

#量子糾錯 #量子計算 #機器學習

關於乳腺癌分類的比較研究表明，經典邏輯回歸（97.8%準確率）優於量子分類器VQC（88.9%）與QSVM（95.6%）。量子模型在小規模結構化數據集上還未對經過良好調整的經典基準模型取得明確優勢。

#量子機器學習 #機器學習 #研究

哥倫比亞和劍橋研究人員建立了一個基準，用於評估機器學習模型是否通過正確的物理原理預測材料特性，而不僅僅是得到正確答案。熱導率預測現在驗證原子振動建模。已被Meta、微軟等機構採用。

#材料科學 #機器學習 #新聞

研究人員發現，將奇偶性標籤（關於鏡像對稱的資訊）納入機器學習模型架構中，能消除晶體材料的物理上不可能的預測，精度提高了六個數量級。

#材料發現 #機器學習 #新聞

UCLA、Caltech 和 NVIDIA 開發了一個傅立葉神經算子，能學習分子量子動力學，使得量子控制脈衝序列設計速度提升 10^7 倍，在囚禁水合氫離子上的狀態製備保真度達到 86.2%。

#量子控制 #機器學習 #新聞

我們開發了轉譯感知的圖神經網絡來預測含噪聲量子模擬器的運行時間，發現轉譯後的電路圖可顯著提高預測準確度——進而實現量子計算中更好的資源配置。

#量子模擬 #機器學習 #研究

研究人員成功將機器學習的交換相關泛函 Skala 整合到 CP2K 量子化學軟體中（通過 GauXC 函式庫），實現更準確的分子預測，同時計算開銷最小。驗證結果顯示 1.255 kcal/mol 的平均絕對誤差...

#機器學習 #量子化學 #新聞