論文の概要: Entanglement-based quantum deep learning

• arxiv url: http://arxiv.org/abs/2002.12790v1
• Date: Thu, 27 Feb 2020 09:14:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 12:18:24.239574
• Title: Entanglement-based quantum deep learning
• Title（参考訳）: 絡み合いに基づく量子深層学習
• Authors: Zhenwei Yang and Xiangdong Zhang
• Abstract要約: 我々は,マルチキュービットの絡み合い状態に基づく量子深層学習方式を提案している。 トレーニングの過程では,未知単位ベクトルと未知単位ベクトルとの距離の効率的な計算が実現されている。 古典的アルゴリズムに対する指数的な高速化が実証されている。
• 参考スコア（独自算出の注目度）: 1.1608078259903485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical deep learning algorithms have aroused great interest in both academia and industry for their utility in image recognition, language translation, decision-making problems and more. In this work, we have provided a quantum deep learning scheme based on multi-qubit entanglement states, including computation and training of neural network in full quantum process. In the course of training, efficient calculation of the distance between unknown unit vector and known unit vector has been realized by proper measurement based on the Greenberger-Horne-Zeilinger entanglement states. An exponential speedup over classical algorithms has been demonstrated. In the process of computation, quantum scheme corresponding to multi-layer feedforward neural network has been provided. We have shown the utility of our scheme using Iris dataset. The extensibility of the present scheme to different types of model has also been analyzed
• Abstract（参考訳）: 古典的なディープラーニングアルゴリズムは、画像認識、言語翻訳、意思決定問題などの分野で、学界でも業界でも大きな関心を集めている。 本研究では,完全量子プロセスにおけるニューラルネットワークの計算とトレーニングを含む,マルチキュービットの絡み合い状態に基づく量子深層学習方式を提案する。 トレーニングの過程で、未知単位ベクトルと未知単位ベクトルとの距離の効率的な計算は、グリーンベルガー・ホーネ・ザイリンガー絡み状態に基づく適切な測定によって実現されている。 古典的アルゴリズムに対する指数的な高速化が実証されている。 計算過程では、多層フィードフォワードニューラルネットワークに対応する量子スキームが提供されている。 Irisデータセットを用いた提案手法の有用性を示した。 異なる種類のモデルに対する現在のスキームの拡張性も分析されている。

関連論文リスト

• Measurement-based quantum convolutional neural network for deep learning [7.689125776844024]
  本稿では,クラスタ状態を利用して量子畳み込みニューラルネットワーク(QCNN)を実装するための代替手法を提案する。 システム全体の安定化は、複雑な制御を避けることで容易である。 クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-12-11T08:55:07Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Quantum Methods for Neural Networks and Application to Medical Image Classification [5.817995726696436]
  ニューラルネットワークのための新しい量子法を2つ導入する。 1つ目は、量子ピラミッド回路に基づく量子直交ニューラルネットワークである。 第2の方法は量子支援ニューラルネットワークであり、量子コンピュータを用いて内部積推定を行う。
  論文  参考訳（メタデータ） (2022-12-14T18:17:19Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Learning temporal data with variational quantum recurrent neural network [0.5658123802733283]
  パラメタライズド量子回路を用いて時間データを学習する手法を提案する。 この研究は、時間データの学習に複雑な量子力学を利用する方法を提供する。
  論文  参考訳（メタデータ） (2020-12-21T10:47:28Z)
• When Machine Learning Meets Quantum Computers: A Case Study [29.551615987978046]
  本稿では,量子プロセッサ上でのニューラルネットワークアクセラレーションのエンドツーエンド実装を実証するケーススタディを行う。 標準かつ広く使用されているmnistデータセットを用いて,多層パーセプトロンを用いて画像分類を行う。 この研究は、量子プロセッサ上の訓練されたニューラルネットワークの推論フェーズの加速を目標とする。
  論文  参考訳（メタデータ） (2020-12-18T17:06:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。