摘要由 AI 生成
在量子神经网络的后处理阶段，因假设不成立导致数据损失，显著影响了训练与推理性能。具体而言，Qiskit 库中的\texttt{SamplerQNN}类在处理涉及超过 100 个物理量子比特的 IBM 硬件时，其基于虚拟量子比特空间的过滤方法造成了 85% 至 99.6% 的有效测量数据丢失。这一缺陷导致概率向量未归一化，引发预测失真和损失值错误传播，且 API 未能发出警告。在五个实验测试中，推理准确率从 0.94 急剧下降至 0.39；训练过程中损失信号被压缩 22 至 27 倍，大幅降低了优化器对目标景观的敏感度。该问题存在于库版本 0.8.4 至 0.9.0 的所有发布版中。目前，社区已实施基于布局的边缘化修复方案（GitHub Pull Request #1041），旨在解决\texttt{Sampl…
关键实体KEY ENTITIES
GitHubIBMQiskit Machine LearningarXiv
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- arXiv1
- Qiskit Machine Learning1
- IBM1
- GitHub1
全部报道（1）SOURCES
↗
量子神经网络后处理中因假设不成立导致数据损失，引发训练与推理性能下降。针对 Qiskit 库中的\texttt{SamplerQNN}类，其基于虚拟量子比特空间的过滤方法在运行于 IBM 硬件（涉及超 100 个物理量子比特）时，造成 85% 至 99.6% 的有效测量数据丢失。该问题导致概率向量未归一化，使预测失真和损失值错误传播而未被 API 警告。在五个实验测试中，推理准确率从 0.94 降至 0.39；训练过程中损失信号被压缩 22 至 27 倍，显著降低优化器对目标景观的敏感度。此行为存在于库版本 0.8.4 至 0.9.0 的所有发布版中。已实施基于布局的边缘化修复方案，作为 GitHub Pull Request \#1041 合并，使\texttt{SamplerQNN}后处理与当前及未来硬件…