כתבה
arXiv cs.LG ·
PN-QNN: הפיכת רעש פיזי לרגולריזטור ילידי
PN-QNN: Harnessing Physical Noise as a Native Regularizer in Photonic Hybrid Quantum Neural Networks
PN-QNN הוא מחקר המציע לנצל רעש פיזי כרגולריזטור ילידי ברשתות נוירונים היברידיות קוונטיות-קלאסיות. המחקר משתמש בסימולטור Perceval ובפריימוורק MerLin כדי לבנות רשתות ולהדגים את היתרונות של גישה זו.
תקציר מקורי באנגליתarXiv:2607.20045v1 Announce Type: cross Abstract: Physical noise in near-term quantum hardware is usually treated as a nuisance to suppress. We ask whether it can instead act as a hardware-native regularizer for photonic hybrid quantum-classical neural networks (PHQCNNs), analogous to noise-injection regularization in classical deep learning. Using Quandela's Perceval simulator and the MerLin framework, we build PHQCNNs for Iris, Digits, and MNIST and inject Perceval's seven-parameter physical noise model directly into training. A genetic algorithm searches the six continuous noise dimensions and 1 boolean parameter to find, per dataset, the configuration maximizing validation accuracy, compared against a noiseless baseline across five seeds. GA-tuned noise yields modest accuracy gains on
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית