Scalable On-Hardware Training of Quantum Neural Networks and Application to Clinical Data Imputation
Dieses Paper stellt ein skalierbares Trainingsframework für Quanten-Neuronale-Netze vor, das die Kosten der Gradientenschätzung durch eine ko-designte Architektur und eine parallelisierte Parameter-Shift-Regel von quadratischer auf logarithmische Komplexität reduziert und erfolgreich ein praktisches, hochleistungsfähiges Training auf 16-Qubit-IonQ-Hardware für die klinische Datenimputation und die Vorhersage des Patientenüberlebens demonstriert.