基于量子极限学习机器的类星体大气层检索
计算机视觉与模式识别
2025-09-05 v1
摘要
类星体大气层研究传统上依赖于前向模型对类星体光谱通过微调大量化学和物理参数来进行计算。然而，参数空间的高维度常导致显著的计算开销。本文引入一种新方法，通过量子极限学习机器 (QELM) 来实现大气层检索。QELM 是一种量子机器学习技术，利用量子系统作为黑盒子处理输入数据。本文提出了一个利用 QELM 提取类星体大气层特征的框架，采用一种适用于近期量子设备的内在容错策略，并通过在 IBM Fez 上的直接实现演示了该容错性。我们所提出的 QELM 架构显示了量子计算在天文数据分析中的潜力，并可能在可靠的近期未来解锁新的计算工具，以实现类星体大气层研究中的快速、高效且更准确的模型。
引用
@article{arxiv.2509.03616,
title = {Multi Attribute Bias Mitigation via Representation Learning},
author = {Rajeev Ranjan Dwivedi and Ankur Kumar and Vinod K Kurmi},
journal= {arXiv preprint arXiv:2509.03616},
year = {2025}
}
备注
ECAI 2025 (28th European Conference on Artificial Intelligence)