An Enhanced Hybrid Approach Using D-Wave's CQM to Solve the Phase Unwrapping Problem
Notice bibliographique
Résumé
Quantum computers and algorithms are advancing rapidly, showing promise in tackling complex computational challenges. However, current quantum annealers are limited in handling large-scale problems due to their limited size and inherent noise. As a near-term solution, hybrid computing has emerged, harnessing the strengths of classical and quantum computing together. The phase unwrapping problem is a compu- tationally challenging task in interferometric synthetic aperture radar (In-SAR) image processing. In this study, we propose a hybrid approach to address the phase unwrapping problem for images larger than what current quantum annealers can handle. We utilized D-Wave's hybrid workflow, followed by refinements to enhance its performance. Our approach involves decomposing images and solving the resulting sub-images usingD- Wave's Constrained Quadratic Model (CQM), and then combining them. We assume that the obtained labels of sub-images are within an additive factor of the true labels. To determine these additive factors, we allow sub-images to overlap and use the labels of overlapping sectors for additive factor determination. Another phase of D- Wave's CQM is used for obtaining these shift factors. This enhanced CQM method results in improved outcomes compared to applying CQM to the entire image. Moreover, the proposed method enables unwrapping images larger than those that CQM can handle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».