Image classification via a quantum-inspired strategy involving a mixture of experts
Este artículo propone un marco híbrido de clasificación de imágenes clásico-cuántico que utiliza una mezcla de expertos con codificación de amplitud de inspiración cuántica, convoluciones unitarias locales y extracción de características de código estabilizador para lograr tasas de error significativamente más bajas en los bancos de pruebas MNIST y Fashion-MNIST en comparación con los expertos individuales, manteniendo al mismo tiempo una carga computacional moderada en estaciones de trabajo con GPU.