使用并行退火的量子玻尔兹曼机进行医学图像分类
基于量子退火器采样本质上遵循玻尔兹曼分布的特性，退火型量子玻尔兹曼机（QBM）在量子研究领域日益受到关注。虽然这类模型在量子加速方面展现巨大潜力，但目前其训练过程需要消耗大量量子处理器时间，导致使用成本高昂，这限制了其在含噪声中等规模量子（NISQ）时代的应用价值。受Noè等人（2024年）将并行量子退火引入QBM无监督训练以降低成本的启发，该研究团队提出了一种改进的并行量子退火方法，用于监督学习场景下的QBM训练。通过节省用于编码输入的量子比特，该方案使研究人员能够在MedMNIST数据集（Yang等，2023年）的医学图像上进行测试，从而推动该技术向实际应用迈进。实验表明，采用该方法的QBM已能取得与同类规模卷积神经网络（CNN）相当的结果，且所需训练周期数显著少于经典模型。相比传统基于退火的玻尔兹曼机执行方式，该团队的并行退火技术实现了近70%的速度提升。
