이 알고리즘은 양자 SISR을 희소 코딩 최적화 문제로 공식화하고 Dynex SDK를 통해 Dynex 뉴로모픽 컴퓨팅 플랫폼을 사용하여 이를 해결하는 방법을 보여줍니다. 이 AQC 기반 알고리즘이 SISR 정확도를 향상시킬 수 있음이 입증되었습니다.
dynex 사용 사례의 원본 텍스트를 참조하세요: https://github.com/dynexcoin/DynexSDK/tree/main/Quantum-SISR
양자 알고리즘 기여자:
Han Yao Choong, Suryansh Kumar 및 Luc Van Gool(ETH Zurich)의 "단일 이미지 초해상도를 위한 양자 어닐링" https://arxiv.org/abs/2304.08924
지식 배경: 양자 컴퓨터 알고리즘입니다.
SISR에 대한 잘 알려진 고전적 접근 방식은 문제에 대한 잘 확립된 패치형 희소 모델링에 의존합니다. 그러나 현재 이 분야에서는 심층 신경망(DNN)이 기존 방법보다 훨씬 뛰어난 결과를 보여주고 있습니다. 그럼에도 불구하고, 양자컴퓨팅은 머지않아 머신러닝(ML) 문제에서 점점 더 두드러질 것으로 예상됩니다. 양자 컴퓨팅의 두 가지 패러다임인 범용 게이트 양자 컴퓨팅과 단열 양자 컴퓨팅(AQC) 중 후자는 실제 컴퓨터 비전 문제에 성공적으로 적용되었으며, 여기서 양자 병렬 처리는 조합 최적화를 효율적으로 해결하는 데 사용되었습니다.
양자 얽힘 내용 평가
양자 컴퓨팅이 제공하는 이점은 정수 분해, 그래프 자르기, 비정형 검색 및 기타 중요한 조합 최적화 질문과 같이 일반적으로 CPU만 사용하여 해결되는 비용이 많이 드는 문제를 포함하여 알고리즘 설계의 하나 이상의 특정 주요 단계에서 발생합니다. 이를 위해 이러한 문제에 양자 컴퓨팅을 적용하면 기하급수적으로 중첩된 메모리 상태에 대해 동시에 작업을 수행할 수 있는 능력인 양자 병렬성을 활용하여 CPU 컴퓨팅에 비해 칭찬할 만한 속도 향상을 가져올 수 있습니다.
양자 얽힘 조사
현대 양자 컴퓨팅에는 양자 병렬성에 적합한 다양한 문제를 해결하기 위해 유니버설 게이트 양자 컴퓨팅과 단열 양자 컴퓨팅(AQC)이라는 두 가지 패러다임이 존재합니다. 본 논문에서는 단열 양자 컴퓨팅 패러다임에 중점을 둡니다. 우리의 공식화에서는 양자 컴퓨팅에 적합한 기본적인 계산 문제로 희소 코딩을 사용합니다.
D-Wave Leap 인터페이스를 통해 QUBO 이슈를 제출할 때 이슈를 특정 QPU에 전달하고 일정을 지정하고 할당하는 데 시간이 걸립니다. 그런 다음 QUBO 문제를 QPU에 프로그래밍하고 어닐링하고 샘플링한 다음 후처리합니다. 여기서 QPU 최적화 런타임은 QPU에서 프로그래밍, 어닐링, 샘플링에 소요된 총 시간을 의미하고, AQC 준비 런타임은 통신, 스케줄링, 스케줄링 등 작업에 소요된 총 시간을 의미합니다. . 할당, 사후 처리 및 기타 오버헤드는 서버측 CPU에서 수행됩니다.
이 연구는 Dynex 효과로 이동합니다.
