Quantum State Fidelity for Functional Neural Network Construction
Skylar Chan, Wilson Smith, Kyla Gabriel
神经科学家在分析密集功能网络的高维神经记录数据方面面临挑战。 如果没有地面真相参考数据,找到恢复神经相关网络的最佳算法仍然是一个悬而未决的问题。 我们实现了混合量子算法来构建功能网络,并将其与记录的经典技术的结果进行比较。 我们证明,我们的量子态保真方法可以通过揭示不同的功能网络来为经典指标提供有竞争力的替代品。 我们的研究结果表明,量子计算为神经科学中的数据驱动建模提供了一种可行且具有潜在优势的替代方案,强调了其在高维图推理和复杂系统分析中的更广泛适用性。
Neuroscientists face challenges in analyzing high-dimensional neural recording data of dense functional networks. Without ground-truth reference data, finding the best algorithm for recovering neurologically relevant networks remains an open question. We implemented hybrid quantum algorithms to construct functional networks and compared them with the results of documented classical techniques. We demonstrated that our quantum state fidelity methods can provide competitive alternatives to classic...