应用量子张量网络进行蛋白质分类
原文中文,约400字,阅读约需1分钟。发表于: 。蛋白质序列可以被看作自然语言处理中的句子,并且可以使用现有的量子自然语言处理框架解析为合理量子比特的参数化量子电路,这些电路可以被训练用于解决各种与蛋白质相关的机器学习问题。论文提出了适应蛋白质数据需求的详细方法,通过全面的实验结果支持,展示了两种不同的量子张量网络(QTN),并使用经典循环神经网络(RNN)和卷积神经网络(CNN)的灵感来解决所提到的二元分类任务。我们的最佳量子模型的准确率...
研究使用量子自然语言处理框架将蛋白质序列解析为参数化量子电路,解决蛋白质相关的机器学习问题。研究展示了两种量子张量网络,并使用经典神经网络的灵感解决二元分类任务。最佳量子模型准确率达94%,仅需约800个参数。研究表明,这些混合模型有潜力与经典模型竞争。