Квантовая физика

Квантовая загрузка данных: оптимизация ресурсов

от

В статье представлена автоматизированная платформа для эффективной загрузки данных в квантовые системы, позволяющая сбалансировать точность и погрешности для минимизации затрат.

Квантово-классический симбиоз для решения сложных уравнений

от

Гибридный квантово-классический подход, использующий многоверные данные, позволяет обучать нейронные сети - нелинейную $\mathcal{K}_{nl}$ и линейную $\mathcal{K}_{lin}$ - для коррекции предсказаний, полученных с помощью квантового решателя ($\mathbf{q}^{\text{quantum}}$) и классического решателя ($\mathbf{q}^{\text{classical}}$), при этом смешивание результатов осуществляется посредством обучаемого параметра $\alpha$ для достижения итогового многоверного предсказания $\mathbf{q}_{\text{MF}}$.

Новый подход объединяет возможности квантовых и классических вычислений для эффективного моделирования нелинейных дифференциальных уравнений в частных производных.

Квантовый поиск с ограничениями: новый подход к сложным задачам

от

Исследователи разработали усовершенствованный квантовый алгоритм, способный эффективно решать задачи комбинаторной оптимизации с линейными ограничениями.

Иерархическое обучение с подкреплением: новый подход к абстракциям

от

Приведенные примеры демонстрируют различные марковские процессы принятия решений (MDP), где каждый элемент представляет собой сетку состояний с определенными точками входа и выхода.

В статье представлена методика построения иерархических моделей обучения с подкреплением, основанная на формальном определении абстракций и их связи с реализуемыми действиями в исходной среде.

Предсказание качества сервиса: новый подход с использованием диффузионных моделей

от

Модель QoSDiffcan демонстрирует способность эффективно обучаться векторным представлениям для предсказания качества обслуживания даже при отсутствии явных графовых структур, что указывает на её устойчивость к различным условиям и архитектурам данных.

Исследователи предлагают инновационную систему QoSDiff, способную более точно и надежно прогнозировать качество работы веб-сервисов, особенно в условиях нехватки данных.

Оптимизация регистрации облаков точек на встраиваемых GPU: динамическое распределение памяти

от

В исследовании сравнивается потребление памяти при использовании различных стратегий расширения: для модели TUM (состоящей из 226 тысяч точек) оригинальный VANICP использует монолитное непрерывное распределение, обеспечивающее прямое адресование, в то время как предложенный метод применяет сегментированную стратегию на основе указателей, полагающуюся на косвенное адресование.

Новая стратегия динамического выделения памяти позволяет существенно ускорить процесс регистрации облаков точек на встраиваемых графических процессорах, сохраняя высокую производительность.

Обучение диффузионных моделей с подкреплением: новый подход к оптимизации вознаграждений

от

Исследователи предлагают инновационную методику, позволяющую точно настраивать диффузионные модели с использованием алгоритмов обучения с подкреплением и смягчающих техник для предотвращения переобучения.