Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Quantum machine learning

Jan Svoboda

Published Jun 11, 2024• 0 citations
OpenAlex

Abstract

Přestože kvantové počítání stále není používáno v reálných aplikacích, jeho studium je nezbytné pro pochopení konceptů kvantového počítání a rozšíření znalostí o jeho možnostech. Tato práce porovnává kvantové strojové učení s kernelovými metodami v důsledku jejich přirozené podobnosti. Cílem práce je vytvořit obecný postup pro vytvoření kvantového kernelu, který bude těžko simulovatelný na klasických počítačích. Zmíněné postupy jsou posléze testovány na reálných datech s poněkud neuspokojivými výsledky.

Related papers

Programming and simulation with quantum computers

Jiří Viták

Přestože kvantové počítače, které mohou překonat konvenční počítače, jsou stále ve vývoji, je pro přípravu na budoucnost kvantové výpočetní techniky zásadní, abychom pokročili v porozumění a vývoji kvantových algoritmů. Tento bakalářský projekt zkoumá rozvíjející se oblast kvantového programování a simulace na aktuálně dostupných kvantových počítačích. Studujeme základy kvantového počítání a shrnujeme běžně používané principy používané v této oblasti. Teoreticky popisujeme kvantové procházky s klíčovým důrazem na varianty s diskrétním časem, které tvoří stěžejní část této práce. Dále představujeme optimalizovanou metodu pro efektivní implementaci kvantových procházek v diskrétním čase vhodnou pro současnou architekturu kvantových počítačů. Ukazujeme, že tato metoda je ve srovnání s běžnými metodami úspěšnější při zkoumání aspektů souvisejících s kvantovými procházkami, jako je dynamika šíření a dokonalý přenos stavu.

•Aug 21, 2024•0 citations

Optimization of Quantum-Enhanced Machine Learning: Simulation and Validation

Jiří Viták

Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.

•May 8, 2026•0 citations

Hybrid Quantum Computing: Practical Applications and Implementation

Jan Swiatkowski

Tato práce se zabývá metodikou mapování a spuštění prakticky uplatnitelných optimalizačních úloh jako Exact Set Cover, Knapsack, SAT na kvantových počítačích. Na rozdíl od klasických počítačů, které pracují s bity, využívají kvantové počítače kvantové qubity a jevy jako superpozice a provázanost, což jim umožňuje paralelně prohledávat rozsáhlé stavové prostory. Jsou proto vhodné zejména pro řešení složitých kombinatorických problémů, kde klasické algoritmy narážejí na výpočetní limity.Jádrem práce je hybridní solver pro problém Exact Set Cover využívající strategii Branch-and-Bound. V jejím rámci jsou selektivně generovány kvantové obvody založené na Groverově algoritmu pro relevantní podproblémy. Groverův algoritmus poskytuje kvadratické zrychlení pro nestrukturované prohledávání, což je důležité pro nalezení konfigurací. S ohledem na omezení současné generace hardwaru NISQ práce obsahuje komparativní analýzu výsledků ze simulátorů a reálných systémů IQM Star24 a IBM Marrakesh (Heron R2), včetně porovnání frameworků Qrisp a Qiskit. Výsledky těchto implementací optimalizačních úloh byly zhodnoceny pomocí Z-Score a byly porovnány požadavky daných kvantových obvodů pro experimentální instance problémů daných úloh. Dále byly provedeny experimenty zhodnocující prahovou hloubku kvantového obvodu, kdy se stane očekávaný výsledek obvodu nerozlišitelným. K potlačení šumu byla využita technika Matrix-free Measurement Mitigation (M3).Práce je zakončena praktickou metodickou příručkou pro vývoj hybridních kvantově-klasických aplikací. Také diskutuje výhody integrace kvantového počítače se superpočítačem v jedné fyzické lokaci a koordinaci alokace jejich zdrojů.

•Jan 1, 2026•0 citations

Identifying topological properties of quantum walks using quantum classification algorithms

Hudeček, Vlastimil

Diskrétní časové kvantové procházky se ukázaly jako užitečný nástroj v oblasti kvantového počítání. Je známo, že DTQW (kvantové procházky s diskreditovaným časem) mohou vykazovat řadu topologických fází, které lze využít při navrhování využití, které jsou odolné vůči různým typům šumu a poruch. Schopnost určit topologickou fázi, ve které se DTQW nachází, je jedním z klíčových úkolů pro jakoukoli aplikaci. Tato práce se zaměřuje na prozkoumání možnosti využití kvantových klasifikačních metod pro určení topologické fáze kvantových procházek. Text práce pokrývat vývoj metod a jejich implementaci na kvantových počítačích.

•May 9, 2025•0 citations

Programming and simulation with quantum computers

Yakovenko, Mykola

Tato práce zkoumá výkonnost a spolehlivost kvantového hardwaru éry NISQ při provádění kvantových algoritmů a simulaci otevřených kvantových systémů. Po přehledu základních konceptů kvantového výpočtu, simulace a dynamiky otevřených systémů představujeme techniky kolizních modelů pro emulaci nemarkovovských procesů. Následně implementujeme Deutsch-Jozsův a Groverův algoritmus na kvantových počítačích IBM a charakterizujeme přesnost výsledků. Na téže platformě implementujeme nemarkovovský kolizní model a ukazujeme, že kvantový hardware dokáže tyto procesy úspěšně simulovat. Také pozorujeme, že šum v hardwaru negativně ovlivňuje paměťové efekty, které jsou pro nemarkovovské procesy zásadní. Pro zmírnění tohoto šumu aplikujeme techniky mitigace chyb a systematicky porovnáváme nemitigované a mitigované výsledky, abychom vyhodnotili zlepšení přesnosti. Naše zjištění ukazují, že ačkoliv zařízení NISQ mohou věrně reprodukovat klíčové kvantové jevy, mitigace chyb není nezbytná pro kvantitativně spolehlivou simulaci paměťových efektů.

•Aug 4, 2025•0 citations

Quantum computing methods for malware classification

Eliška Krátká

Práce zkoumá potenciál kvantových počítačů v oblasti klasifikace malware prostřednictvím aplikace algoritmů kvantového strojového učení (QML). Hlavním cílem je prozkoumat výkon algoritmu Quantum Support Vector Machine (QSVM) ve srovnání s přístupy, nevyužívají kvantové výpočty. Byl vyvinut Python modul pro výběr, extrakci a preprocessing vzorků malware z veřejně dostupného datasetu PE Malware Machine Learning. Byl implementován algoritmus QSVM, který zahrnuje kvantová jádra s různými typy mapování příznaků. Následně byl otestován na lokálním simulátoru z Qiskit SDK a na kvantových počítačích od IBM. Výsledky experimentů poskytují vhled do chování a skutečného výkonu kvantových počítačů, zejména pokud jde o komplexní výpočty typické pro oblast klasifikace malware. Práce pokládá základy pro budoucí výzkum v oblasti klasifikace malware, demonstruje proveditelnost a přínosnost v rozvoji kybernetické bezpečnosti. Stěžejní přínos práce zahrnuje nalezení a nápravu kritických chyb v původní implementaci tříd pro výpočet kvantového jádra v knihovně Qiskit Machine Learning. Chyby zahrnovaly neprovádění transpilace kvantových obvodů odeslaných ke zpracování kvantovému počítači nebo překročení limitu maximální velikosti výpočetní úlohy v důsledku zpracování všech obvodů v rámci jediné úlohy.

•Jun 7, 2024•0 citations
Přestože kvantové počítání stále není používáno v reálných aplikacích, jeho studium je nezbytné pro pochopení konceptů kvantového počítání a rozšíření znalostí o jeho možnostech. Tato práce porovnává kvantové strojové učení s kernelovými metodami v důsledku jejich přirozené podobnosti. Cílem práce je vytvořit obecný postup pro vytvoření kvantového kernelu, který bude těžko simulovatelný na klasických počítačích. Zmíněné postupy jsou posléze testovány na reálných datech s poněkud neuspokojivými výsledky.
Přestože kvantové počítače, které mohou překonat konvenční počítače, jsou stále ve vývoji, je pro přípravu na budoucnost kvantové výpočetní techniky zásadní, abychom pokročili v porozumění a vývoji kvantových algoritmů. Tento bakalářský projekt zkoumá rozvíjející se oblast kvantového programování a simulace na aktuálně dostupných kvantových počítačích. Studujeme základy kvantového počítání a shrnujeme běžně používané principy používané v této oblasti. Teoreticky popisujeme kvantové procházky s klíčovým důrazem na varianty s diskrétním časem, které tvoří stěžejní část této práce. Dále představujeme optimalizovanou metodu pro efektivní implementaci kvantových procházek v diskrétním čase vhodnou pro současnou architekturu kvantových počítačů. Ukazujeme, že tato metoda je ve srovnání s běžnými metodami úspěšnější při zkoumání aspektů souvisejících s kvantovými procházkami, jako je dynamika šíření a dokonalý přenos stavu.
Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.
Tato práce se zabývá metodikou mapování a spuštění prakticky uplatnitelných optimalizačních úloh jako Exact Set Cover, Knapsack, SAT na kvantových počítačích. Na rozdíl od klasických počítačů, které pracují s bity, využívají kvantové počítače kvantové qubity a jevy jako superpozice a provázanost, což jim umožňuje paralelně prohledávat rozsáhlé stavové prostory. Jsou proto vhodné zejména pro řešení složitých kombinatorických problémů, kde klasické algoritmy narážejí na výpočetní limity.Jádrem práce je hybridní solver pro problém Exact Set Cover využívající strategii Branch-and-Bound. V jejím rámci jsou selektivně generovány kvantové obvody založené na Groverově algoritmu pro relevantní podproblémy. Groverův algoritmus poskytuje kvadratické zrychlení pro nestrukturované prohledávání, což je důležité pro nalezení konfigurací. S ohledem na omezení současné generace hardwaru NISQ práce obsahuje komparativní analýzu výsledků ze simulátorů a reálných systémů IQM Star24 a IBM Marrakesh (Heron R2), včetně porovnání frameworků Qrisp a Qiskit. Výsledky těchto implementací optimalizačních úloh byly zhodnoceny pomocí Z-Score a byly porovnány požadavky daných kvantových obvodů pro experimentální instance problémů daných úloh. Dále byly provedeny experimenty zhodnocující prahovou hloubku kvantového obvodu, kdy se stane očekávaný výsledek obvodu nerozlišitelným. K potlačení šumu byla využita technika Matrix-free Measurement Mitigation (M3).Práce je zakončena praktickou metodickou příručkou pro vývoj hybridních kvantově-klasických aplikací. Také diskutuje výhody integrace kvantového počítače se superpočítačem v jedné fyzické lokaci a koordinaci alokace jejich zdrojů.
Diskrétní časové kvantové procházky se ukázaly jako užitečný nástroj v oblasti kvantového počítání. Je známo, že DTQW (kvantové procházky s diskreditovaným časem) mohou vykazovat řadu topologických fází, které lze využít při navrhování využití, které jsou odolné vůči různým typům šumu a poruch. Schopnost určit topologickou fázi, ve které se DTQW nachází, je jedním z klíčových úkolů pro jakoukoli aplikaci. Tato práce se zaměřuje na prozkoumání možnosti využití kvantových klasifikačních metod pro určení topologické fáze kvantových procházek. Text práce pokrývat vývoj metod a jejich implementaci na kvantových počítačích.
Tato práce zkoumá výkonnost a spolehlivost kvantového hardwaru éry NISQ při provádění kvantových algoritmů a simulaci otevřených kvantových systémů. Po přehledu základních konceptů kvantového výpočtu, simulace a dynamiky otevřených systémů představujeme techniky kolizních modelů pro emulaci nemarkovovských procesů. Následně implementujeme Deutsch-Jozsův a Groverův algoritmus na kvantových počítačích IBM a charakterizujeme přesnost výsledků. Na téže platformě implementujeme nemarkovovský kolizní model a ukazujeme, že kvantový hardware dokáže tyto procesy úspěšně simulovat. Také pozorujeme, že šum v hardwaru negativně ovlivňuje paměťové efekty, které jsou pro nemarkovovské procesy zásadní. Pro zmírnění tohoto šumu aplikujeme techniky mitigace chyb a systematicky porovnáváme nemitigované a mitigované výsledky, abychom vyhodnotili zlepšení přesnosti. Naše zjištění ukazují, že ačkoliv zařízení NISQ mohou věrně reprodukovat klíčové kvantové jevy, mitigace chyb není nezbytná pro kvantitativně spolehlivou simulaci paměťových efektů.
Práce zkoumá potenciál kvantových počítačů v oblasti klasifikace malware prostřednictvím aplikace algoritmů kvantového strojového učení (QML). Hlavním cílem je prozkoumat výkon algoritmu Quantum Support Vector Machine (QSVM) ve srovnání s přístupy, nevyužívají kvantové výpočty. Byl vyvinut Python modul pro výběr, extrakci a preprocessing vzorků malware z veřejně dostupného datasetu PE Malware Machine Learning. Byl implementován algoritmus QSVM, který zahrnuje kvantová jádra s různými typy mapování příznaků. Následně byl otestován na lokálním simulátoru z Qiskit SDK a na kvantových počítačích od IBM. Výsledky experimentů poskytují vhled do chování a skutečného výkonu kvantových počítačů, zejména pokud jde o komplexní výpočty typické pro oblast klasifikace malware. Práce pokládá základy pro budoucí výzkum v oblasti klasifikace malware, demonstruje proveditelnost a přínosnost v rozvoji kybernetické bezpečnosti. Stěžejní přínos práce zahrnuje nalezení a nápravu kritických chyb v původní implementaci tříd pro výpočet kvantového jádra v knihovně Qiskit Machine Learning. Chyby zahrnovaly neprovádění transpilace kvantových obvodů odeslaných ke zpracování kvantovému počítači nebo překročení limitu maximální velikosti výpočetní úlohy v důsledku zpracování všech obvodů v rámci jediné úlohy.