量子画像処理の課題であるノイズを機械学習モデルを用いて識別し、補正することで、ノイズの影響を軽減し、高品質な画像処理結果を得ることができる。
量子コンピューティングの有用性を高めるためには、ソフトウェア最適化アプローチ、特にAI技術を活用することが有望である。
QuForgeは、量子回路のシミュレーションを可能にする、ディファレンシャブルなフレームワークに基づいたPythonライブラリである。このライブラリは、任意の次元の量子ディットに対応した量子ゲートを提供し、GPU/TPUなどの加速デバイスでの実行をサポートする。また、疎行列演算を活用することで、メモリ消費を大幅に削減できる。さらに、量子回路をディファレンシャブルなグラフとして構築することで、量子機械学習アルゴリズムの実装を容易にする。
量子プロセス代数を用いて高次元量子プロトコルの正しさを検証することができる。
中性原子量子コンピューターでは、蛍光イメージングと取得したイメージの分析に基づいて原子キュービットの読み出しと準備が行われる。様々なアプローチが使用されているが、検出アルゴリズムの選択は十分に正当化されていないことが多い。本研究では、精度と実行時間の観点から、いくつかの異なるアルゴリズムを比較し、完璧な推定器の理論的限界を示す。
共感的ランダムユニタリ状態は、すべての次数tについて単一的ランダムユニタリ状態と区別できない。
提案する量子ベースのアプローチは、極めて高次元の機能的MRI信号から局所的および全体的な特徴を効率的に抽出することができる。
任意の初期量子状態から擬似乱数状態を生成する量子疑似乱数スクランブラーを提案し、構築する。
量子コンピューティングの理論的知識と実践的経験を組み合わせることで、EECS学生の学習体験を大幅に改善できる。
中性原子量子コンピューターのハードウェア制約に対応するため、グローバルゲートを最小化するサーキット分解とスケジューリング手法を提案する。