本研究开发了一种高效的前馈神经网络优化器，针对QUBO优化问题，能够提供超过99%的高质量近似解。同时，结合量子退火器激活函数的新方法，提升了前馈神经网络在QUBO优化中的应用潜力。

本文研究了通过优化QUBO矩阵规模和量化技术来提升深度学习和组合优化问题的解决效率。提出了量化感知训练、混合精度搜索和硬件感知量化框架等方法，显著提高了模型准确性和硬件效率，降低了延迟和能耗。

本文研究了通过识别最优变量来减少QUBO矩阵规模的方法，以提升优化问题的解决质量与效率。探讨了量子计算及特定硬件在组合优化中的应用，验证了量子技术在旅行商和装箱问题上的潜力，并提出了将多目标问题转化为单目标的有效策略。

本研究介绍了一种针对Loihi 2处理器的新实现的局部竞争算法（LCA），其性能和效率显著优于传统CPU和GPU，适用于资源受限设备如小型机器人和卫星。此外，研究比较了量子退火与模拟退火，结果表明Loihi 2在稀疏二进制表示问题上表现更佳，并且在关键词检测器的推理能耗方面优于其他硬件。

该论文介绍了 QUBO 模型在优化领域中的基本特征和重要性，涉及 Ising 问题、量子退火、神经形态计算等专业术语，详细阐述了其在不同应用中的潜力和灵活性。