NR-QNN: Noise-Resilient Quantum Neural Network
Notice bibliographique
Résumé
Quantum Neural Networks (QNNs) based on parameterized quantum circuits (PQCs) are gaining significant research attention due to their potential to achieve quantum advantages on Near-Term Noisy Intermediate-Scale Quantum (NISQ) computers. However, executing QNNs on NISQ devices is challenging due to quantum noise. To address this, we propose a noise-resilient QNN (NR-QNN) that leverages the unique characteristics of PQCs to perform noise-aware optimizations during the inference stage of QNNs. Specifically, NR-QNN employs two optimization techniques to mitigate the impact of noise on QNNs: quantum pruning and sensitivity-aware qubit mapping. The first technique is quantum pruning which identifies gates with small angle of rotations and removes them to simplify circuit of QNNs. The second optimization technique is sensitivity-aware qubit mapping which maps more important logical qubits to more reliable physical qubits. This technique is based on the observation that there can be variation in the sensitivity of an output to input qubits in a QNN. NR-QNN exploits this variability and guides qubit allocation to use reliable physical qubits for sensitive logical qubits. Our evaluation on a real quantum computer demonstrates that NR-QNN enhances the robustness of QNNs, enabling them to operate effectively on NISQ devices.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».