論文の概要: Quantum Semantic Learning by Reverse Annealing an Adiabatic Quantum Computer

• arxiv url: http://arxiv.org/abs/2003.11945v2
• Date: Fri, 27 Mar 2020 15:46:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 03:15:54.824050
• Title: Quantum Semantic Learning by Reverse Annealing an Adiabatic Quantum Computer
• Title（参考訳）: Adiabatic Quantum Computer を用いた逆アニーリングによる量子セマンティック学習
• Authors: Lorenzo Rocutto, Claudio Destri, Enrico Prati
• Abstract要約: Boltzmann Machines (RBM) は、画像再構成、パターン分類、教師なし学習への応用を含むニューラルネットワークである。 本稿では,AQC(Adiabatic Quantum Computers)における完全RBMの実現可能性を示す。 RBMの各学習ステップを開始するために,入力データを初期境界条件とする意味量子探索を実装した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Boltzmann Machines constitute a class of neural networks with applications to image reconstruction, pattern classification and unsupervised learning in general. Their most common variants, called Restricted Boltzmann Machines (RBMs) exhibit a good trade-off between computability on existing silicon-based hardware and generality of possible applications. Still, the diffusion of RBMs is quite limited, since their training process proves to be hard. The advent of commercial Adiabatic Quantum Computers (AQCs) raised the expectation that the implementations of RBMs on such quantum devices could increase the training speed with respect to conventional hardware. To date, however, the implementation of RBM networks on AQCs has been limited by the low qubit connectivity when each qubit acts as a node of the neural network. Here we demonstrate the feasibility of a complete RBM on AQCs, thanks to an embedding that associates its nodes to virtual qubits, thus outperforming previous implementations based on incomplete graphs. Moreover, to accelerate the learning, we implement a semantic quantum search which, contrary to previous proposals, takes the input data as initial boundary conditions to start each learning step of the RBM, thanks to a reverse annealing schedule. Such an approach, unlike the more conventional forward annealing schedule, allows sampling configurations in a meaningful neighborhood of the training data, mimicking the behavior of the classical Gibbs sampling algorithm. We show that the learning based on reverse annealing quickly raises the sampling probability of a meaningful subset of the set of the configurations. Even without a proper optimization of the annealing schedule, the RBM semantically trained by reverse annealing achieves better scores on reconstruction tasks.
• Abstract（参考訳）: ボルツマンマシンは、画像再構成、パターン分類、教師なし学習全般への応用を含むニューラルネットワークのクラスを構成する。 Restricted Boltzmann Machines (RBMs) と呼ばれるそれらの最も一般的な変種は、既存のシリコンベースのハードウェアにおける計算可能性とアプリケーションの一般化との間に良いトレードオフを示す。 しかし、RBMの拡散は、その訓練過程が困難であることが証明されているため、非常に制限されている。 商用のAQC(Adiabatic Quantum Computers)の出現は、そのような量子デバイス上でのRBMの実装が、従来のハードウェアに対するトレーニング速度を向上すると予想された。 しかし、これまで、AQCs上のRBMネットワークの実装は、各キュービットがニューラルネットワークのノードとして機能するときに、低量子接続によって制限されてきた。 ここでは,ノードを仮想量子ビットに関連付ける埋め込みにより,AQC上での完全なRBMの実現可能性を示す。 さらに、学習を加速するために、従来の提案とは対照的に、入力データを初期境界条件として取り込んで、逆アニーリングスケジュールによりRBMの各学習ステップを開始するセマンティック量子探索を実装した。 このようなアプローチは、従来のフォワードアニーリングスケジュールとは異なり、古典的なギブスサンプリングアルゴリズムの振る舞いを模倣して、トレーニングデータの有意義な近傍で構成をサンプリングすることができる。 逆アニーリングに基づく学習は,構成の集合の有意義な部分集合のサンプリング確率を急速に高めることを示す。 アニーリングスケジュールの適切な最適化がなくても、リバースアニーリングによって意味的に訓練されたrbmは、リコンストラクションタスクにおいてより良いスコアが得られる。

関連論文リスト

• Dissipation-driven quantum generative adversarial networks [11.833077116494929]
  本稿では,従来のデータ生成に適した,分散駆動型量子生成逆数ネットワーク(DQGAN)アーキテクチャを提案する。 古典データは、強い調整された散逸過程を通じて入力層の入力量子ビットに符号化される。 出力量子ビットの定常状態の可観測値を測定することにより、生成されたデータと分類結果の両方を抽出する。
  論文  参考訳（メタデータ） (2024-08-28T07:41:58Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• 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)
• Quantum-inspired event reconstruction with Tensor Networks: Matrix Product States [0.0]
  ニューラルネットワークは量子力学の概念を機械学習技術に結びつけるのに理想的な手段であることを示す。 エンタングルメントのエントロピーは,ネットワークの学習内容の解釈に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-15T18:00:02Z)
• Enabling Incremental Training with Forward Pass for Edge Devices [0.0]
  進化戦略(ES)を用いてネットワークを部分的に再トレーニングし,エラー発生後に変更に適応し,回復できるようにする手法を提案する。 この技術は、バックプロパゲーションを必要とせず、最小限のリソースオーバーヘッドで推論専用ハードウェアのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2021-03-25T17:43:04Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Attentive Gaussian processes for probabilistic time-series generation [4.94950858749529]
  本稿では,ガウス過程の回帰と組み合わせて実数値列を生成する,計算効率のよいアテンションベースネットワークを提案する。 我々は,GPがフルバッチを用いて訓練されている間,ネットワークのミニバッチトレーニングを可能にするブロックワイズトレーニングアルゴリズムを開発した。 アルゴリズムは収束することが証明され、より良くなくても、見いだされた解の品質に匹敵することを示す。
  論文  参考訳（メタデータ） (2021-02-10T01:19:15Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Optimizing Quantum Annealing Schedules with Monte Carlo Tree Search enhanced with neural networks [17.819359687456366]
  断熱アルゴリズムは、アニーリングパスの終端で問題符号化されたハミルトニアンの基礎状態を作成する。 我々はモンテカルロ木探索 (MCTS) アルゴリズムを提案し,その拡張バージョンをニューラルネットワークで強化し,QuantumZero (QZero) と名付けた。 MCTSとQZeroのアルゴリズムは、効果的なアニールスケジュールの発見において、非常によく機能する。
  論文  参考訳（メタデータ） (2020-04-06T17:29:32Z)

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。