用于谱峰寻找的量子卷积神经网络
机器学习
2025-12-16 v1
摘要
对谱系的分析（如核磁共振（NMR）谱系）以全面 characterize 峰值是专家和机器都面临的挑战，特别是对于复杂分子而言。这一过程，也称为去卷积，涉及识别和量化谱系中的峰值。机器学习技术在自动化这一过程中显示出前景。随着量子计算的出现，进一步提升这些技术的潜力。在本工作中，灵感来自经典卷积神经网络（CNN）的成功，我们探索使用量子卷积神经网络（QuanvNN）用于多任务峰寻找问题，涉及峰计数和位置估计。我们实现了一个简单且可解释的QuanvNN架构，可直接与其经典CNN对等等价，并在基于NMR的合成数据集上对其进行评估。我们的结果表明，QuanvNN在处理具有挑战性的谱系方面优于经典CNN，F1分数提高了11%，峰位估计的平均绝对误差降低了30%。此外，QuanvNN似乎在更难的问题上表现出更好的收敛稳定性。
引用
@article{arxiv.2512.13125,
title = {Quanvolutional Neural Networks for Spectrum Peak-Finding},
author = {Lukas Bischof and Rudolf M. Füchslin and Kurt Stockinger and Pavel Sulimov},
journal= {arXiv preprint arXiv:2512.13125},
year = {2025}
}