ResQ：一种在类 Rydberg 原子量子计算机上实现残差神经网络的新框架
量子物理
2025-06-27 v1 计算机视觉与模式识别
新兴技术
摘要
量子机器学习研究近期因量子计算加速机器学习而蓬勃发展。神经常微分方程（neural ODE）基于的残差神经网络（ResNets）是尚未被探索的机器学习领域，旨在运用常微分方程原理提高神经网络的有效性。本文我们阐述了类 Rydberg 原子量子计算机为何特别适合实现 ResNets 的见解。我们还引入 ResQ，一个用于优化 Rydberg 原子量子计算机动力学的新框架，以类量子神经 ODE 实现机器学习中的分类问题。
引用
@article{arxiv.2506.21537,
title = {ResQ: A Novel Framework to Implement Residual Neural Networks on Analog Rydberg Atom Quantum Computers},
author = {Nicholas S. DiBrita and Jason Han and Tirthak Patel},
journal= {arXiv preprint arXiv:2506.21537},
year = {2025}
}
备注
ResQ will appear in the Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2025