LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification
Dit artikel으로 toont aan dat het gebruik van een groot taalmodel om parameters te initialiseren in een variationeel kwantumalgoritme (AdaInit) de convergentie aanzienlijk versnelt en barren plateaus vermindert voor medische beeldclassificatie op de DMR-IR dataset, waarbij een 160 keer snellere training wordt bereikt dan bij willekeurige initialisatie terwijl een vergelijkbare nauwkeurigheid behouden blijft.