Deep Variational Transfer: Transfer Learning through Semi-supervised Deep Generative Models
Harvard University（哈佛大学）
在现实世界的应用中，它往往是昂贵和耗时的，以获得标记的例子。在这种情况下，从标签丰富的相关领域转移知识，可以大大减少对大量标签工作的需求。在这种情况下，迁移学习应运而生。在本文中，我们提出了深度变分传输（DVT），一个变分自编码器，使用共享的潜在高斯混合模型跨域传输知识。由于半监督ELBO和跨域共享参数的组合，我们能够同时：（i）将同一类的所有监督示例对齐到相同的潜在高斯混合分量中，独立于其域;（ii）预测来自不同域的无监督示例的类别，并使用它们来更好地建模发生的变化。我们在MNIST和USPS数字数据集上进行测试，显示DVT在异构数据集上执行迁移学习的能力。此外，我们提出了DVT的顶级分类性能的MNIST半监督学习的挑战。我们进一步验证了天文数据集上的DVT。DVT实现了最先进的分类性能，在真实的恒星调查数据集、EROS、OOO和HiTS之间传输知识。在最差的表现中，我们将稀有类的F1分数加倍。这些实验表明DVT有能力解决迁移学习带来的所有主要挑战：不同的协变量分布，不同且高度不平衡的类分布以及不同的特征空间。
2018-12-07 cs.LG stat.ML
Classical-to-Quantum Transfer Learning for Spoken Command Recognition Based on Quantum Neural Networks
Georgia Institute of Technology（佐治亚理工学院）；Universidad San Pablo-CEU, CEU Universities（CEU大学圣巴勃罗-CEU大学）
研究了机器学习算法中应用的迁移学习扩展到新兴的混合端到端量子神经网络（QNN）的口述命令识别（SCR）。我们的基于QNN的SCR系统由经典和量子部分组成：（1）经典部分主要依赖于一维卷积神经网络（CNN）来提取语音特征;（2）量子部分建立在具有少量可学习参数的变分量子电路上。由于在噪声中等规模量子（NISQ）设备上从头开始训练混合端到端QNN是低效的，我们提出了一种混合迁移学习算法，该算法允许将预先训练的经典网络迁移到混合QNN模型的经典部分。通过与变分量子电路（VQC）的联合微调，进一步修改和增强预训练的经典网络。混合迁移学习方法对于基于QNN的SCR任务特别有吸引力，因为低维经典特征被期望编码成量子态。我们在Google语音命令数据集上评估了应用于SCR的混合经典-量子QNN的混合迁移学习算法，我们的经典模拟结果表明，混合迁移学习可以提高我们在SCR任务上的基线性能。
2021-10-17 cs.AI cs.LG quant-ph
Transfer learning in hybrid classical-quantum neural networks
Xanadu（沙杜公司）
我们将广泛应用于现代机器学习算法的迁移学习的概念扩展到由经典和量子元素组成的混合神经网络的新兴环境中。我们提出了混合迁移学习的不同实现，但我们主要关注的范式，其中预先训练的经典网络被修改和增强的最终变分量子线路。这种方法在当前的中等规模量子技术时代特别有吸引力，因为它允许最佳地预处理高维数据（例如，图像）与任何最先进的经典网络，并将一组精选的高度信息化的特征嵌入到量子处理器中。我们提出了几个概念验证的例子，方便的应用量子迁移学习的图像识别和量子态分类。我们使用跨平台的软件库PennyLane实验测试高分辨率图像分类器与两个不同的量子计算机，分别由IBM和Rigetti提供。
2020-10-08 cs.LG quant-ph stat.ML
MetaLearnNCA: Few-Shot Offline Meta-Learning via Interacting Neural Cellular Automata
Department of Computer Science and Communication（计算机科学与通信系）
提出MetaLearnNCA，利用交互式神经细胞自动机实现无梯度的少样本元学习，在保持分布内性能的同时提升分布外迁移效果。
2026-10-07 cs.AI cs.LG
Adaptive Feature Ranking for Unsupervised Transfer Learning
City University London（伦敦城市大学）
迁移学习关注的是将从解决问题中获得的知识应用到不同但相关的问题领域。在本文中，我们提出了一种方法和有效的算法，用于从在源域上训练的受限玻尔兹曼机中排序和选择要转移到目标域的表示。使用MNIST，ICDAR和TiCC图像数据集进行的实验表明，所提出的自适应特征排序和迁移学习方法提供了统计上显着的改进RBM的训练。我们的方法是通用的，因为排名功能选择的知识不依赖于它与任何特定目标域的关系，并且它与无监督学习和基于知识的传输一起工作。
2014-05-28 cs.LG
Continuous Variable Quantum MNIST Classifiers
Portland State University（波特兰州立大学）
在本文中，经典和连续变量（CV）量子神经网络混合多重分类器使用MNIST数据集。CV模型中的截止维数和概率测量方法的组合允许量子线路产生大小等于n的n次幂的输出矢量，其中n表示截止维数，m表示qumode的数量。然后将它们转换为独热编码标签，并填充适当数量的零。总共八个不同的分类器是使用2，3，. 8 qumodes，基于连续变量量子神经网络中提出的二元分类器架构。CV模型中的位移门和克尔门允许经典神经网络的偏置和非线性激活分量量子化。分类器由经典的前馈神经网络、量子数据编码电路和CV量子神经网络电路组成。在截断的600个样本的MNIST数据集上，4 qumode混合分类器实现了100%的训练准确率。
2022-04-04 cs.LG quant-ph
HQCC: A Hybrid Quantum-Classical Classifier with Adaptive Structure
School of Computer Science and Statistics, Trinity College Dublin（都柏林圣三一学院计算机科学与统计学院）；College of Electrical and Information Engineering, Hunan University（湖南大学电气与信息工程学院）
针对固定结构参数化量子电路降低QML性能的问题，提出混合量子-经典分类器HQCC，利用LSTM动态生成器自适应优化电路并结合局部量子滤波器提取特征，在MNIST上准确率达97.12%。
2025-04-02 cs.LG quant-ph
Putting a bug in ML: The moth olfactory network learns to read MNIST
University of Washington（华盛顿大学）
我们试图（i）描述在生物神经网络中用于在非常少的样本上训练的学习架构，以及（ii）将这些算法结构移植到机器学习环境中。蛾嗅觉网络是最简单的可以学习的生物神经系统之一，其架构包括生物神经网络中广泛存在的关键结构元素和机制，例如级联网络，竞争抑制，高内在噪声，稀疏性，奖励机制和Hebbian可塑性。这些结构性的生物元素结合在一起，使快速学习成为可能。MothNet是蛾嗅觉网络的计算模型，与蛾已知的生物物理学和从蛾学习新气味收集的体内电极数据密切相关。我们给这个模型分配了学习阅读MNIST数字的任务。我们证明了MothNet在很少的训练样本（每个类1到10个样本）下成功地学习阅读。在这种少样本的情况下，它优于标准的机器学习方法，如最近邻、支持向量机和神经网络（NN），并与专门的一次性迁移学习方法相匹配，但不需要预先训练。MothNet架构说明了如何使用源自生物大脑的算法结构来构建替代NN，这些NN可以避免当前工程NN的一些学习率限制。
2019-01-26 cs.LG cs.NE q-bio.NC
Disentangling Quantum and Classical Contributions in Hybrid Quantum Machine Learning Architectures
Institute of Informatics, LMU Munich（慕尼黑大学信息学研究所）
本文提出一种基于自编码器压缩输入的混合量子-经典架构，通过多数据集对比实验揭示混合迁移学习中经典组件的实际贡献常被误归于量子部分，并证明该架构可作为振幅嵌入变分量子电路的可行替代。
2024-01-13 cs.CV cs.LG quant-ph
Transfer Learning for Estimating Causal Effects using Neural Networks
UC Berkeley（加州大学伯克利分校）
我们开发了新的算法来估计异质性处理效应，结合神经网络迁移学习的最新发展与因果推断文献的见解。通过利用迁移学习，我们能够有效地使用与相同的潜在因果机制相关的不同数据源。我们比较我们的算法与现有文献中使用广泛的模拟研究的基础上大规模的选民说服实验和MNIST数据库。我们的方法可以执行一个数量级优于现有的基准，而使用的数据的一小部分。
2018-08-23 cs.AI cs.LG stat.AP
Transfer Meets Hybrid: A Synthetic Approach for Cross-Domain Collaborative Filtering with Text
Hong Kong University of Science and Technology（香港科技大学）
协同过滤是推荐系统的关键技术。CF利用用户-项目行为交互（例如，点击），因此遭受数据稀疏问题。一个研究思路是整合产品评论和新闻标题等辅助信息，从而形成混合过滤方法。另一个思路是转移来自其他源域的知识，例如使用来自书籍域的知识来改进电影推荐，从而导致迁移学习方法。在现实生活中，没有一个单一的服务可以满足用户的所有信息需求。因此，这促使我们开发辅助和源信息的RS在本文中。我们提出了一种新的神经模型，以平稳地启用传输会议混合（TMH）方法跨域推荐与非结构化文本在一个端到端的方式。TMH通过记忆模块从非结构化文本中提取有用的内容，并通过传输网络选择性地传输来自源域的知识。在两个真实世界的数据集上，TMH在三个排名指标方面表现出更好的性能，通过与各种基线进行比较。我们进行了深入的分析，以了解文本内容和转移的知识如何帮助提出的模型。
2019-01-22 cs.AI cs.IR cs.LG
A Qubit-Efficient Hybrid Quantum Encoding Mechanism for Quantum Machine Learning
The University of Melbourne（墨尔本大学）；Indian Institute of Technology Delhi（德里印度理工学院）
针对量子机器学习中高维数据嵌入的难题，提出基于黎曼几何的不可逆降维方法qPGA，在经典端生成适合振幅编码的表示，显著降低量子比特需求，并在多个数据集上实现高精度与抗噪性能。
2025-06-24 cs.LG quant-ph
A Hybrid Quantum enabled RBM Advantage: Convolutional Autoencoders For Quantum Image Compression and Generative Learning
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
了解D-Wave量子计算机如何用于机器学习问题越来越引起人们的兴趣。我们的工作评估了使用D-Wave作为机器学习采样器的可行性。我们描述了一个混合系统，它将经典的深度神经网络自动编码器与使用D-Wave的量子退火限制玻尔兹曼机（RBM）相结合。我们使用两个数据集（MNIST数据集和MNIST Fashion数据集）来评估我们的混合自动编码器算法。我们通过使用下游分类方法来评估这种方法的质量，其中训练是基于量子RBM生成的样本。我们的方法克服了当前2000量子位D-Wave处理器中的两个关键限制，即有限数量的量子位可用于容纳完全连接的量子目标函数和二进制像素表示的样本的典型问题大小。由于这些限制，我们能够展示我们如何实现灰度28 x 28大小的图像到二进制6 x 6大小的图像的近22倍压缩因子，并对原始28 x 28灰度图像进行有损恢复。我们进一步展示了如何在训练RBM后从D-Wave生成样本，从而生成28 x 28图像，这些图像是原始输入数据分布的变化，而不是重新创建训练样本。我们使用深度卷积神经网络来制定MNIST分类问题，该深度卷积神经网络使用来自量子RBM的样本来训练MNIST分类器，并将结果与使用原始MNIST训练数据集训练的MNIST分类器以及使用经典RBM样本训练的MNIST分类器进行比较。我们的混合自动编码器方法表明RBM结果相对于使用当前RBM经典计算机实现基于图像…
2020-01-31 cs.ET cs.LG cs.NE
Improving and Understanding Variational Continual Learning
University of Cambridge（剑桥大学）；University of Sydney（悉尼大学）
在持续学习环境中，任务是按顺序遇到的。我们的目标是学习，同时i）避免灾难性遗忘，ii）有效地使用模型容量，iii）采用向前和向后迁移学习。在本文中，我们将探讨如何变分持续学习（VCL）框架实现这些desiderata在持续学习的两个基准：分裂MNIST和置换MNIST。我们首先报告了在已经具有竞争力的方法上显著改进的结果。这些改进是通过建立一种新的均值场变分贝叶斯神经网络的最佳实践方法来实现的。然后，我们详细研究解决方案。这使我们能够理解为什么VCL表现如此出色，我们将解决方案与“理想”的持续学习解决方案进行比较。
2019-05-06 cs.LG stat.ML
A Hybrid Instance-based Transfer Learning Method
Georgian Partners Inc（格鲁吉亚伙伴公司）；Cority Inc（Cority公司）；University of Manitoba（曼尼托巴大学）；University Health Network（大学健康网络）
近年来，有监督的机器学习模型在各种应用领域取得了巨大的成功。尽管取得了令人鼓舞的结果，但这些成功的模型都是数据饥渴型的，它们的性能严重依赖于训练数据的大小。然而，在许多医疗保健应用中，很难收集足够大的训练数据集。迁移学习可以通过将知识从现成的数据集（源）转移到新的数据集（目标）来帮助克服这个问题。在这项工作中，我们提出了一个混合的基于实例的迁移学习方法，优于一组基线，包括国家的最先进的基于实例的迁移学习方法。我们的方法使用概率加权策略将源域的信息融合到目标域中学习的模型。我们的方法是通用的，适用于多个源域，和强大的负迁移。我们证明了我们的方法的有效性，通过广泛的实验，两个不同的应用程序。
2018-12-03 cs.AI cs.CV cs.LG
Leveraging Text Data Using Hybrid Transformer-LSTM Based End-to-End ASR in Transfer Learning
Nanyang Technological University（南洋理工大学）；Huya AI（虎牙人工智能）；Nazarbayev University（纳扎尔巴耶夫大学）；Alibaba Group（阿里巴巴集团）
在这项工作中，我们研究利用额外的文本数据来改善跨语言迁移学习设置下的低资源端到端ASR。为此，我们扩展了我们之前的工作[1]，并提出了一个基于混合Transformer-LSTM的架构。这种架构不仅利用了Transformer网络的高效编码能力，而且由于基于LSTM的独立语言模型网络而受益于额外的文本数据。我们进行实验，我们内部的马来语语料库，其中包含有限的标记数据和大量的额外的文本。结果表明，当两者都使用有限的标记数据进行训练时，所提出的架构比以前基于LSTM的架构[1]的相对字错误率（WER）高出24.2%。从这一点出发，我们通过从另一种资源丰富的语言迁移学习，进一步获得了25.4%的相对WER降低。此外，我们通过使用额外的文本数据提升传输模型的LSTM解码器，获得了额外的13.6%的相对WER降低。总的来说，我们的最佳模型比普通Transformer ASR的相对WER高出11.9%。最后但并非最不重要的是，与LSTM和Transformer架构相比，所提出的混合架构提供了更快的推理。
2020-05-28 cs.LG cs.SD eess.AS
An end-to-end trainable hybrid classical-quantum classifier
National Taiwan University（台湾大学）
我们引入了一个混合模型，结合量子启发张量网络和变分量子线路来执行监督学习任务。这种架构允许同时训练模型的经典和量子部分，提供端到端的训练框架。我们表明，相比主成分分析，张量网络的基础上的矩阵产品状态与低键维表现更好的特征提取器的输入数据的变分量子线路在二进制和三进制分类的MNIST和时尚MNIST数据集。该体系结构具有很强的适应性，并且通过利用张量网络和量子线路之间的对应关系，可以根据量子资源的可用性调整经典-量子边界。
2021-02-04 cs.LG quant-ph
Diagnosis of Breast Cancer Based on Modern Mammography using Hybrid Transfer Learning
Lovely Professional University（洛弗利专业大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；Maharaja Agrasen Institute of Technology（马哈拉贾·阿格拉森技术学院）；University of Economics Ho Chi Minh City（胡志明市经济大学）
乳腺癌是女性常见的癌症。早期发现乳腺癌可以大大提高妇女的生存率。本文主要关注转移学习过程来检测乳腺癌。本文提出并实现了改进的VGG（MVGG）、剩余网络、移动网络。本文使用DDSM数据集。实验结果表明，我们提出的混合迁移学习模型（MVGG16和ImageNet的融合）在epoch数为15的情况下提供了88.3%的准确率。另一方面，只有修改后的VGG 16架构（MVGG 16）提供了80.8%的准确度，MobileNet提供了77.2%的准确度。因此，可以清楚地表明，与单一架构相比，所提出的混合预训练网络表现出色。这种架构可以被认为是一个有效的工具，为放射科医生，以减少假阴性和假阳性率。因此，将提高乳房X线摄影分析的效率。
2020-05-27 cs.CV cs.LG eess.IV
Measuring the Data Efficiency of Deep Learning Methods
Ruhr University Bochum（波鸿鲁尔大学）
在本文中，我们提出了一个新的实验协议，并使用它来基准测试两种深度学习算法，卷积神经网络（CNN）和分层信息保持基于图的慢特征分析（HiGSFA）的数据效率-性能作为训练集大小的函数，用于分类和迁移学习场景中的任务。这些算法在MNIST和Omniglot数据集的不同大小的子集上进行训练。HiGSFA优于标准的CNN网络，当模型在每个类别50和200个样本上进行MNIST分类训练时。在其他情况下，CNN表现更好。结果表明，在某些情况下，贪婪的局部最优自下而上学习与全局基于梯度的学习一样或更强大。
2019-07-03 cs.CV cs.LG stat.ML
QDCNN: Quantum Dilated Convolutional Neural Network
IBM Corporation（国际商业机器公司）
近年来，随着量子技术的快速发展，量子机器学习引起了人们的极大兴趣。特别是，一个家庭的混合量子经典神经网络，包括经典和量子元素，已被大量探索的目的，以提高经典神经网络的性能。在本文中，我们提出了一种新的混合量子经典算法称为量子扩张卷积神经网络（QDCNN）。我们的方法将在现代深度学习算法中广泛应用的扩张卷积的概念扩展到混合神经网络的上下文中。所提出的QDCNN能够在量子卷积过程中捕获更大的上下文，同时降低计算成本。我们在MNIST和Fashion-MNIST数据集上进行了图像识别任务的实证实验，并证明与现有的量子卷积神经网络（QCNN）相比，QDCNN模型在准确性和计算效率方面通常具有更好的性能。
2021-10-29 cs.LG quant-ph
Hybrid Variational Quantum-Classical Framework with Adaptive Weighting and Efficiency Assessment
Institute of Science and Technology Tribhuvan University（特里布文大学科学技术学院）
本文提出Sim-HVQC混合深度量子神经网络，结合自适应SimAM加权与经典特征提取，在多类数据集上实现高效分类，并验证了可复现性与参数效率。
2026-09-25 cs.AI cs.LG quant-ph
Hybrid Quantum-Classical Learning for Multiclass Image Classification
Department of Computer Science and Engineering, Brac University, Dhaka 1212, Bangladesh（计算机科学与工程系，布拉大学，达卡1212，孟加拉国）；Blackett Laboratory, Imperial College London, London SW7 2AZ, United Kingdom（布莱克特实验室，帝国理工学院伦敦分校，伦敦SW7 2AZ，英国）
针对多类图像分类问题，提出混合量子-经典架构，复用NISQ-QCNN池化后废弃的纠缠量子比特信息，结合保留量子比特测量结果与经典FC层，在三个数据集上性能优于可比轻量级模型，为混合模型提供新方向。
2025-08-25 cs.LG quant-ph
Quantum Generative Models for Image Generation: Insights from MNIST and MedMNIST
International Academia of Biomedical Innovation Technology（国际生物医学创新技术学院）；Neuro Industry, Inc.（神经产业公司）
本研究提出一种混合量子-经典图像生成框架，将变分量子电路集成到基于扩散的模型中，并引入两种新颖噪声策略。实验表明，在数据有限条件下，量子增强模型生成的图像比经典模型具有更高的感知质量和分布相似性，为低资源和生物医学图像生成奠定了基础。
2025-04-03 cs.LG quant-ph
Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices
Quandela Ascella photonic QPU（Quandela Ascella 光子量子处理器）
本文提出了一种结合遗传算法和可学习量子相位编码的混合光子量子-经典模型神经架构搜索框架，通过系统探索经典和量子组件的联合设计空间，提高了图像分类任务的准确率和硬件兼容性。
2026-07-23 cs.LG quant-ph
PN-QNN: Harnessing Physical Noise as a Native Regularizer in Photonic Hybrid Quantum Neural Networks
New York University Abu Dhabi（纽约大学阿布扎比分校）；NYUAD Research Institute（纽约大学阿布扎比研究所）；University of Coimbra（科英布拉大学）
研究探讨能否将量子硬件物理噪声用作光子混合量子 - 经典神经网络的正则化器，借助模拟器和框架构建网络并注入噪声模型，用遗传算法搜索参数，结果表明噪声在部分数据集提升准确率，部分下降，其正则化效果因数据集而异。
2026-07-23 cs.LG quant-ph
Variational Quantum Approximate Support Vector Machine with Inference Transfer
KAIST（韩国科学技术院）；Yonsei University（延世大学）；Qunova Computing, Inc.（Qunova计算公司）
基于核的量子分类器是用于复杂数据的超线性分类的最实用和最有影响力的量子机器学习技术。我们提出了一种变分量子近似支持向量机（VQASVM）算法，该算法证明了即使在NISQ计算机中量子操作也是可行的经验次二次运行时复杂度。我们在基于云的NISQ机器上用玩具示例数据集试验了我们的算法，作为概念证明。我们还在标准Iris flower和MNIST数据集上对其性能进行了数值研究，以确认其实用性和可扩展性。
2023-02-28 cs.LG quant-ph
Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation
The University of Melbourne（墨尔本大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61研究所）
提出混合量子-经典GAN框架，在MNIST等数据集上生成28×28灰度图像，参数比经典框架少三个数量级且性能相当，为QGANs复杂图像生成奠定基础。
2023-01-20 cs.CV cs.LG quant-ph
Hybrid Quantum-Classical Convolutional Neural Networks for Image Classification in Multiple Color Spaces
本文提出一种混合量子-经典卷积神经网络，通过将参数化量子电路与经典CNN结合，在多颜色空间中提升图像分类性能，并在多个数据集上验证了非RGB颜色空间和优化PQC设计的优势。
2025-05-08 quant-ph
QGAN-based data augmentation for hybrid quantum-classical neural networks
Beijing University of Posts and Telecommunications（北京邮电大学）
针对量子机器学习中的数据稀缺问题，提出将QGAN与HQCNN结合的数据增强框架，包含通用与定制化策略，实验证明其以更少参数优于传统方法并提升了模型性能。
2025-05-30 cs.LG quant-ph
Hybrid quantum-classical classifier based on tensor network and variational quantum circuit
Brookhaven National Laboratory（布鲁克海文国家实验室）；National Taiwan University（台湾大学）
在有噪声的中间尺度量子（NISQ）设备上执行量子机器学习（QML）的一个关键步骤是在编码之前对输入数据进行降维。传统的主成分分析（PCA）和神经网络已被用于执行此任务;然而，经典层和量子层通常是分开训练的。因此，非常需要一个能够更好地整合这两个关键组成部分的框架。在这里，我们介绍了一种混合模型，它结合了量子启发张量网络（TN）和变分量子线路（VQC）来执行监督学习任务，这允许端到端的训练。我们表明，矩阵产品状态为基础的TN与低键维数比PCA作为一个特征提取器的MNIST数据集的二进制分类中的VQC的输入压缩数据进行更好的性能。该架构具有高度的适应性，并且可以在可用时轻松地合并额外的量子资源。
2020-11-30 cs.LG quant-ph
Dynamical control of quantum state transfer within hybrid open systems
我们分析了混合开放系统中的量子态传输优化，从“噪声”（写入）量子比特到“安静”对应物（存储量子比特）。有趣的相互作用之间揭示了我们的能力，以避免浴引起的错误，深刻地依赖于浴记忆的时间和所施加的限制泄漏的操作子空间。与直觉相反，在任何情况下都不是最快的转移最优（对于给定的转移能量）。
2010-10-25 quant-ph
Adversarial attacks on hybrid classical-quantum Deep Learning models for Histopathological Cancer Detection
Qausal AI；Clemson University（克莱姆森大学）；Mississippi State University（密西西比州立大学）；SVQC
本研究将ResNet18等迁移学习模型与变分量子电路结合，构建混合经典-量子深度学习模型用于组织病理学癌症检测，并验证其在多种对抗攻击下比经典模型具有更高的分类准确率。
2023-09-08 cs.LG quant-ph
Quantum Kitchen Sinks: An algorithm for machine learning on near-term quantum computers
有噪声的中等规模量子计算设备是探索近期量子应用能力的令人兴奋的平台。在这样的设备中执行重要的任务需要一种与纠错量子计算机上使用的方法完全不同的方法。一种这样的方法是使用混合算法，其中问题被简化为通常在经典反馈回路中优化的参数化量子线路。在这里，我们描述了一个这样的混合算法的机器学习任务的基础上，称为随机厨房水槽的经典算法。我们的技术被称为量子厨房水槽，使用量子线路将经典输入非线性地转换为可以用于许多机器学习算法的特征。我们证明了这个建议的力量和灵活性，使用它来解决二进制分类问题的合成数据集，以及手写数字从MNIST数据库。使用Rigetti量子虚拟机，我们表明，小量子线路提供了显着的性能提升超过标准的线性经典算法，降低分类错误率从50%到$<0.1\%$，并从$4.1\%$到$1.4\%$在这两个例子中，分别。此外，我们能够使用全尺寸的MNIST图像在Rigetti量子处理单元上运行MNIST分类问题，发现线性基线上的适度性能提升。
2019-11-20 quant-ph
Hybrid Quantum-Classical Recurrent Neural Networks
Quantinuum Cambridge, UK（Quantinuum剑桥）
提出一种混合量子-经典循环神经网络（QRNN），以参数化量子电路作为循环核心实现幺正量子记忆，结合经典前馈网络提供非线性控制，并在多种序列任务上取得与强经典基线相竞争的性能。
2025-11-04 cs.AI cs.CL cs.LG
Evolving Hybrid Quantum-Classical Architectures for Image Classification
Rochester Institute of Technology（罗切斯特理工学院）
提出基于演化框架EXAQC自动发现量子电路，生成紧凑混合量子-经典模块用于图像分类，在多个数据集上以更少参数达到与经典网络相当的准确率。
2026-10-12 cs.AI cs.CV cs.LG
Managing quantum heat transfer in nonequilibrium qubit-phonon hybrid system
利用嵌入声子相干态的量子主方程，研究了非平衡量子比特-声子杂化系统中的量子热传递和热管理。通过调节任意的量子位-声子耦合强度，我们得到了稳态热流，在弱耦合和强耦合区域分别表现出幂律标度行为和翻转行为.此外，我们还分析了负微分热导和热整流效应，这在弱的量子位-声子相互作用和大的温度偏置下变得更加深刻。这些结果将有助于声子混合量子器件的智能能量控制和设计。
2020-03-12 quant-ph
Quantum machine learning for image classification
Terra Quantum AG（Terra量子公司）
本文提出两种混合量子神经网络模型用于图像分类，在MNIST等数据集上以更少参数取得高准确率，展示了量子层的高效性与泛化能力。
2024-03-28 cs.CV cs.LG quant-ph
Long-distance heat transfer between molecular systems through a hybrid plasmonic-photonic nanoresonator
我们介绍了一种混合等离子体光子腔设置，可用于诱导和控制分子系统之间的长距离热传递通过光机相互作用。该结构由两个分离的等离子体纳米天线耦合到一个电介质腔。该谐振器的混合模式可以将亚波长等离子体激元模式的大光机耦合与在大距离（$\simμ$ m）上延伸的腔模式的大品质因数和离域特性相结合。我们表明，这可以导致有效的分子振动，可以通过外部驱动激光主动控制之间的远程热传输。
2020-08-27 quant-ph
An Amplitude-Encoding-Based Classical-Quantum Transfer Learning framework: Outperforming Classical Methods in Image Recognition
本文提出基于振幅编码的经典-量子迁移学习框架（AE-CQTL），通过多层拟设扩展量子电路参数至百级以上，设计TLQNN和TLQCNN模型，在三个数据集和三个源模型上超越经典分类器，推动量子迁移学习应用。
2025-02-27 quant-ph
Atomic quadrature squeezing and quantum state transfer in a hybrid atom-optomechanical cavity with two Duffing mechanical oscillators
本文从理论上研究了激光驱动的混合光机械腔中的量子态转移，该腔具有两个可移动的类Duffing非简谐镜，其中包含一个全同的二能级原子系综。两个非简谐振子的Bogoliubov模到原子模的量子态转移导致原子的正交压缩超过了标准量子极限3dB，这可以通过光机械耦合强度和原子-场耦合强度来控制。有趣的是，产生的原子压缩可以通过Duffing非谐性对噪声源具有鲁棒性。结果表明，Duffing非简谐性的存在为在两个机械振子之间在短时间内实现高保真度的强压缩态转移提供了可能.
2018-11-05 quant-ph
Steady-state squeezing transfer in hybrid optomechanics
Universidad Mayor（智利大学）；Universidad Diego Portales（迭戈·波特莱斯大学）；Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）
本文提出一种混合方案，实现从机械部分到光学腔的稳态压缩态转移，通过两种方法验证了高保真度的压缩态转移。
2021-04-23 quant-ph
Information transfer using a single particle path-spin hybrid entangled state
研究了单个自旋为1/2的粒子的路径自旋纠缠态，该纠缠态是利用分束器和自旋翻转器产生的。利用这种在单粒子水平上的混合纠缠作为资源，我们制定了一个协议，用于将未知量子比特的状态转移到遥远的位置。我们的计划是实现了一系列的酉操作，以及适当的自旋测量，以及通过使用经典的空间分离的两方之间的通信。该协议，因此，演示了使用粒子内纠缠作为执行信息理论任务的物理资源的可能性。
2010-02-19 quant-ph
Quantum two-way time transfer over a hybrid free-space and fiber link
量子双向时间传输（Q-TWTT）的优越性已在光纤链路上得到了充分的证明，在自由空间链路上实现Q-TWTT成为跨洲远程时间传输的迫切需求。本文报道了在2公里长的湍流自由空间和7公里长的场光纤混合链路上首次进行的Q-TWTT实验。尽管有超过25分贝的重大损失和大气湍流，可靠的时间传递性能持续过夜已经实现了时间稳定性的时间偏差远低于1皮秒。这一结果表明了量子增强时间传递在天地集成光链路中的良好可行性，并很好地证明了Q-TWTT在空间微波原子钟比对和同步方面的能力。
2022-12-04 quant-ph
Single-Step Hybrid CV-DV Transfer of Multipartite W States Using Cat-State Qubits
William and Mary（威廉与玛丽学院）
该研究提出了一种利用猫态量子比特进行多粒子W态单步混合连续变量-离散变量转移的方案，通过超导磁通量子三态实现高保真度的量子态转移。
2026-01-03 quant-ph
Transitionless phonon assisted photon-qubit quantum state transfer in a hybrid optomechanical system
量子态转移是量子信息处理和量子计算的关键。在这里，我们提出了一个混合光机械系统，能够耦合一个量子比特，一个光学模式和一个机械振荡器。由于辐射压力，机械振荡器的位移引起腔场的空间变化，这又将量子比特与声子模式耦合。这允许腔模和量子位之间的状态转移，而无需它们之间的实际相互作用。我们提出了一个基于无跃迁量子驱动算法的无跃迁量子态转移方案，使我们能够实现完美的态转移。
2021-01-27 cond-mat.mes-hall physics.optics quant-ph
Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation
Johns Hopkins University（约翰斯·霍普金斯大学）；North South University（北南大学）
提出基于知识蒸馏的框架，将经典CNN知识迁移至量子神经网络，通过实验证明其能在减少参数和量子资源需求下提升准确率，并确定全连接层降维与振幅编码为最优策略。
2025-03-01 cs.AI cs.LG quant-ph
Enhanced Image Recognition Using Gaussian Boson Sampling
本研究提出一种基于高斯玻色采样和极限学习机启发的图像识别方案，利用“九章”设备在MNIST和Fashion-MNIST上分别达到95.86%和85.95%的准确率，超越经典SVC和物理ELM方法，展示了GBS在机器学习中的实际潜力。
2025-06-24 quant-ph
A Comparative Study of Encoding Strategies for Quantum Convolutional Neural Networks
Northwest University（西北大学）
本文比较了三种量子卷积神经网络编码策略在不同噪声和分辨率下的性能，发现混合相位/角度编码在中等噪声下表现更优，而Angle编码在高噪声下更稳健。
2025-12-14 quant-ph
Direct transfer of classical non-separable state into hybrid entangled two photon state
混合纠缠态是一种在粒子对的不同自由度之间存在纠缠的量子态，在量子信息科学和通信协议中具有重要的应用价值。在不同的自由度中，利用偏振和轨道角动量（OAM）编码的混合纠缠态可以产生量子比特-量子比特纠缠态，具有很高的OAM量子的宏观纠缠，提高遥感中的角分辨率。到目前为止，这种混合纠缠态是通过使用高保真偏振纠缠态和随后使用合适的模式转换器（如空间光调制器）在复杂的实验方案中压印选定量的OAM来产生的。考虑到纠缠源具有微弱的光子数，在使用衍射光学元件的OAM压印期间的光子损失限制了这种混合态在实际应用中的使用。本文报道了一个简单的实验方案，通过泵浦光的经典不可分态在参量下转换过程中的直接转移，实现了偏振态和OAM态的混合纠缠态。作为原理的证明，利用OAM模l=3的局域不可分泵浦态，我们制备了纠缠见证参数为W-1.25的量子混合纠缠态。通过适当选择抽运光的不可分态，一般方案可以在两个不同量子数的光子之间产生混合纠缠态。
2016-11-26 quant-ph
Transfer Learning Based Hybrid Quantum Neural Network Model for Surface Anomaly Detection
本文提出基于量子迁移学习的混合模型，在表面异常检测中最多减少90%可训练参数且不损失性能，以更低资源和更高灵活性应对新异常。
2024-08-30 quant-ph
Transfer of quantum states and stationary quantum correlations in a hybrid optomechanical network
本研究探讨了通过公共机械振子耦合的混合光机械网络中量子态传输与稳态同步效应，发现可实现高保真度量子态传输，且同步与纠缠相互关联，结果可应用于量子信息与计量学。
2023-05-29 quant-ph
Hybrid Quantum-Classical Feature Extraction approach for Image Classification using Autoencoders and Quantum SVMs
本文提出ResNet10式卷积自动编码器结合QSVM/QOCSVM的混合图像分类流水线，并在HTRU、MNIST和CIFAR-10上评估降维、重建与分类效果。
2024-10-24 quant-ph
Transfer entropy and O-information to detect grokking in tensor network multi-class classification problems
该研究用 MPS 分类器分析三类分类中的 grokking，结合纠缠、磁化、传递熵与 O-信息，揭示泛化突现与信息结构转变。
2025-07-31 physics.data-an quant-ph
Coupled charge and energy transfer dynamics in light harvesting complexes from a hybrid hierarchical equations of motion approach
我们描述了一种方法来模拟激子动力学的蛋白质色素复合物，包括电荷转移以及荧光的影响。该方法结合了用于描述激子量子动力学的分层运动方程和用于描述较慢电荷转移过程的Nakajima-Zwanzig量子主方程。我们研究了捕光复合物II中的电荷转移猝灭，捕光复合物II是一种在许多植物中控制非光化学猝灭的蛋白质。使用我们的混合方法，我们发现我们的计算和实验测量的激发寿命之间的良好协议。此外，我们的计算表明，激子能量漏斗在确定淬灭效率中起着重要作用，我们希望将这一结论扩展到其他蛋白质进行保护性激发淬灭。这也突出了需要适当考虑激子动力学和电荷转移过程的相互作用的模拟方法。
2022-07-24 cond-mat.soft physics.bio-ph physics.chem-ph
