該算法演示瞭如何將量子 SISR 表述為稀疏編碼優化問題，並通過 Dynex SDK 使用 Dynex 神經形態計算平臺來解決該問題。事實證明，這種基於 AQC 的算法可以提高 SISR 精度。
參考dynex用例原文：https://github.com/dynexcoin/DynexSDK/tree/main/Quantum-SISR
量子算法貢獻者：
“單圖像超分辨率的量子退火” 作者：Han Yao Choong、Suryansh Kumar 和 Luc Van Gool（蘇黎世聯邦理工學院）https://arxiv.org/abs/2304.08924
知識背景:這是量子計算機算法
SISR 的一種眾所周知的經典方法依賴於問題的完善的補丁式稀疏建模。然而，該領域目前的狀況是深度神經網絡 (DNN) 已表現出比傳統方法優越得多的結果。儘管如此，量子計算預計很快將在機器學習問題上變得越來越突出。在量子計算的兩種範式中，即通用門量子計算和絕熱量子計算（AQC），後者已成功應用於實際的計算機視覺問題，其中量子並行性已被用來有效地解決組合優化。
量子糾纏含量評估
量子計算提供的優勢來自於算法設計中的一個或多個特定關鍵步驟，這些步驟包括通常僅使用 CPU 來解決的昂貴問題，例如整數分解 、圖割 、非結構化搜索 ，以及其他重要的組合優化問題。為此，將量子計算應用於此類問題可以通過利用量子並行性（即同時對指數級多個疊加內存狀態執行操作的能力）比 CPU 計算帶來值得稱讚的加速。
量子糾纏偵查
在現代量子計算中，存在兩種範式來解決適合量子並行性的不同問題：通用門量子計算和絕熱量子計算（AQC）。在本文中，我們重點關注絕熱量子計算範式。在我們的公式中，稀疏編碼被用作適用於量子計算的基本計算問題。
當通過 D-Wave Leap 接口提交 QUBO 問題時，需要一段時間進行通信、調度並將問題分配給特定的 QPU。隨後，QUBO 問題被編程到 QPU 上，進行退火、採樣，然後進行後處理。在這種情況下，QPU 優化運行時間是指 QPU 上的編程、退火和採樣所花費的總時間量，而 AQC 準備運行時間是指通信、調度、調度等任務所花費的總時間量。分配、後處理和其他開銷由服務器端 CPU 完成。
本研究遷移到Dynex效果
