该算法演示了如何将量子 SISR 表述为稀疏编码优化问题，并通过 Dynex SDK 使用 Dynex 神经形态计算平台来解决该问题。事实证明，这种基于 AQC 的算法可以提高 SISR 精度。
参考dynex用例原文：https://github.com/dynexcoin/DynexSDK/tree/main/Quantum-SISR
量子算法贡献者：
“单图像超分辨率的量子退火” 作者：Han Yao Choong、Suryansh Kumar 和 Luc Van Gool（苏黎世联邦理工学院）https://arxiv.org/abs/2304.08924
知识背景:这是量子计算机算法
SISR 的一种众所周知的经典方法依赖于问题的完善的补丁式稀疏建模。然而，该领域目前的状况是深度神经网络 (DNN) 已表现出比传统方法优越得多的结果。尽管如此，量子计算预计很快将在机器学习问题上变得越来越突出。在量子计算的两种范式中，即通用门量子计算和绝热量子计算（AQC），后者已成功应用于实际的计算机视觉问题，其中量子并行性已被用来有效地解决组合优化。
量子纠缠含量评估
量子计算提供的优势来自于算法设计中的一个或多个特定关键步骤，这些步骤包括通常仅使用 CPU 来解决的昂贵问题，例如整数分解 、图割 、非结构化搜索 ，以及其他重要的组合优化问题。为此，将量子计算应用于此类问题可以通过利用量子并行性（即同时对指数级多个叠加内存状态执行操作的能力）比 CPU 计算带来值得称赞的加速。
量子纠缠侦查
在现代量子计算中，存在两种范式来解决适合量子并行性的不同问题：通用门量子计算和绝热量子计算（AQC）。在本文中，我们重点关注绝热量子计算范式。在我们的公式中，稀疏编码被用作适用于量子计算的基本计算问题。
当通过 D-Wave Leap 接口提交 QUBO 问题时，需要一段时间进行通信、调度并将问题分配给特定的 QPU。随后，QUBO 问题被编程到 QPU 上，进行退火、采样，然后进行后处理。在这种情况下，QPU 优化运行时间是指 QPU 上的编程、退火和采样所花费的总时间量，而 AQC 准备运行时间是指通信、调度、调度等任务所花费的总时间量。分配、后处理和其他开销由服务器端 CPU 完成。
本研究迁移到Dynex效果
