論文の概要: Quantum-Classical Machine learning by Hybrid Tensor Networks

• arxiv url: http://arxiv.org/abs/2005.09428v2
• Date: Wed, 14 Aug 2024 06:43:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 05:35:40.107980
• Title: Quantum-Classical Machine learning by Hybrid Tensor Networks
• Title（参考訳）: ハイブリッドテンソルネットワークによる量子古典機械学習
• Authors: Ding Liu, Jiaqi Yao, Zekun Yao, Quan Zhang,
• Abstract要約: 本研究では,テンソルネットワークと古典ニューラルネットワークを組み合わせた量子古典ハイブリッドネットワーク(HTN)を提案する。 量子分類や量子オートエンコーダなど,HTNの応用の可能性を示す。
• 参考スコア（独自算出の注目度）: 14.851178989158976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tensor networks (TN) have found a wide use in machine learning, and in particular, TN and deep learning bear striking similarities. In this work, we propose the quantum-classical hybrid tensor networks (HTN) which combine tensor networks with classical neural networks in a uniform deep learning framework to overcome the limitations of regular tensor networks in machine learning. We first analyze the limitations of regular tensor networks in the applications of machine learning involving the representation power and architecture scalability. We conclude that in fact the regular tensor networks are not competent to be the basic building blocks of deep learning. Then, we discuss the performance of HTN which overcome all the deficiency of regular tensor networks for machine learning. In this sense, we are able to train HTN in the deep learning way which is the standard combination of algorithms such as Back Propagation and Stochastic Gradient Descent. We finally provide two applicable cases to show the potential applications of HTN, including quantum states classification and quantum-classical autoencoder. These cases also demonstrate the great potentiality to design various HTN in deep learning way.
• Abstract（参考訳）: テンソルネットワーク(TN)は機械学習に広く使われており、特にTNとディープラーニングは大きな類似点を持っている。 本研究では,機械学習における通常のテンソルネットワークの限界を克服するため,量子古典的ハイブリッドテンソルネットワーク(HTN)と古典的ニューラルネットワークを組み合わせた一様ディープラーニングフレームワークを提案する。 まず、表現力とアーキテクチャのスケーラビリティを含む機械学習の応用における通常のテンソルネットワークの限界を分析する。 実際、通常のテンソルネットワークはディープラーニングの基本的な構成要素には適していないと結論付けている。 そこで,機械学習における通常のテンソルネットワークの欠如を克服するHTNの性能について検討する。 この意味では、Back PropagationやStochastic Gradient Descentといったアルゴリズムの標準的な組み合わせであるディープラーニング方式でHTNを訓練することができる。 最終的に、量子状態分類や量子古典的オートエンコーダを含む、HTNの潜在的な応用を示す2つの応用事例を提示する。 これらのケースはまた、様々なHTNをディープラーニングで設計する大きな可能性を示している。

関連論文リスト

• Arbitrary Polynomial Separations in Trainable Quantum Machine Learning [1.0080317855851213]
  量子機械学習の最近の理論的結果は、量子ニューラルネットワーク(QNN)の表現力とトレーニング可能性との一般的なトレードオフを示している。 ここでは、これらの否定的な結果を回避するために、非条件で証明可能なメモリ分離を示すQNNを効率的に訓練する階層を構築する。 量子文脈性(quantum contextuality)が表現性分離の源であることが示され、量子機械学習における現実的な優位性の存在が示唆された。
  論文  参考訳（メタデータ） (2024-02-13T17:12:01Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• The cross-sectional stock return predictions via quantum neural network and tensor network [0.0]
  本稿では,量子および量子に着想を得た機械学習アルゴリズムのストックリターン予測への応用について検討する。 本研究では、雑音の多い中間規模量子コンピュータに適したアルゴリズムである量子ニューラルネットワークと、量子に着想を得た機械学習アルゴリズムであるテンソルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-04-25T00:05:13Z)
• Tensor Networks Meet Neural Networks: A Survey and Future Perspectives [27.878669143107885]
  テンソルニューラルネットワーク(TNN)とニューラルネットワーク(NN)は2つの基本的なデータモデリングアプローチである。 TNは指数的な数の次元を複雑さに変換することによって、大規模テンソルの次元性の呪いを解決する。 NNは、コンピュータビジョン、自然言語処理、ロボット工学の研究など、様々な応用において優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-01-22T17:35:56Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Quantum Phase Recognition using Quantum Tensor Networks [0.0]
  本稿では,教師付き学習タスクのためのテンソルネットワークにインスパイアされた浅部変分アンザツに基づく量子機械学習手法について検討する。 マルチスケールエンタングルメント再正規化アンサッツ (MERA) とツリーテンソルネットワーク (TTN) がパラメタライズド量子回路にインスパイアされた場合、テストセットの精度が$geq 98%に達する。
  論文  参考訳（メタデータ） (2022-12-12T19:29:07Z)
• Deep Neural Networks as the Semi-classical Limit of Topological Quantum Neural Networks: The problem of generalisation [0.3871780652193725]
  本稿では,Deep Neural Networksにおける一般化問題を理解するために,このフレームワークを提案する。 この種のフレームワークは、トレーニングステップ中のディープニューラルネットワークの過剰適合挙動と、それに対応する一般化能力を説明する。 開発した新しいアルゴリズムを適用し、標準的なニューラルネットワークと同様の結果を得るが、トレーニングは必要としないことを示す。
  論文  参考訳（メタデータ） (2022-10-25T03:14:59Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$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)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。