論文の概要: A Co-Design Framework of Neural Networks and Quantum Circuits Towards
Quantum Advantage
- arxiv url: http://arxiv.org/abs/2006.14815v2
- Date: Wed, 9 Sep 2020 14:19:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 22:17:49.976268
- Title: A Co-Design Framework of Neural Networks and Quantum Circuits Towards
Quantum Advantage
- Title（参考訳）: 量子アドバンテージに向けたニューラルネットワークと量子回路の協調設計フレームワーク
- Authors: Weiwen Jiang, Jinjun Xiong, Yiyu Shi
- Abstract要約: 本稿では、そのような欠落したリンクを提供するために、共同設計フレームワークであるQuantumFlowを紹介します。
QuantumFlowは、新しい量子フレンドリなニューラルネットワーク(QF-Nets)、QF-Netのための量子回路(QF-Circ)を生成するマッピングツール(QF-Maps)、実行エンジン(QF-FB)で構成される。
評価の結果、QF-pNetとQF-hNetはそれぞれ97.10%と98.27%の精度を達成できることがわかった。
- 参考スコア（独自算出の注目度）: 37.837850621536475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the pursuit of quantum advantages in various applications, the power
of quantum computers in neural network computations has mostly remained
unknown, primarily due to a missing link that effectively designs a neural
network model suitable for quantum circuit implementation. In this article, we
present the co-design framework, namely QuantumFlow, to provide such a missing
link. QuantumFlow consists of novel quantum-friendly neural networks (QF-Nets),
a mapping tool (QF-Map) to generate the quantum circuit (QF-Circ) for QF-Nets,
and an execution engine (QF-FB). We discover that, in order to make full use of
the strength of quantum representation, it is best to represent data in a
neural network as either random variables or numbers in unitary matrices, such
that they can be directly operated by the basic quantum logical gates. Based on
these data representations, we propose two quantum friendly neural networks,
QF-pNet and QF-hNet in QuantumFlow. QF-pNet using random variables has better
flexibility, and can seamlessly connect two layers without measurement with
more qbits and logical gates than QF-hNet. On the other hand, QF-hNet with
unitary matrices can encode 2^k data into k qbits, and a novel algorithm can
guarantee the cost complexity to be O(k^2). Compared to the cost of O(2^k)in
classical computing, QF-hNet demonstrates the quantum advantages. Evaluation
results show that QF-pNet and QF-hNet can achieve 97.10% and 98.27% accuracy,
respectively. Results further show that for input sizes of neural computation
grow from 16 to 2,048, the cost reduction of QuantumFlow increased from 2.4x to
64x. Furthermore, on MNIST dataset, QF-hNet can achieve accuracy of 94.09%,
while the cost reduction against the classical computer reaches 10.85x. To the
best of our knowledge, QuantumFlow is the first work to demonstrate the
potential quantum advantage on neural network computation.
- Abstract（参考訳）: 様々な応用において量子アドバンテージが追求されているにもかかわらず、ニューラルネットワーク計算における量子コンピュータのパワーは、主に量子回路の実装に適したニューラルネットワークモデルを効果的に設計するリンク不足のため、ほとんど不明である。
本稿では、そのような欠落したリンクを提供するために、共同設計フレームワークであるQuantumFlowを紹介します。
quantumflowは、量子フレンドリなニューラルネットワーク(qf-nets)、qf-netの量子回路(qf-circ)を生成するマッピングツール(qf-map)、実行エンジン(qf-fb)で構成される。
量子表現の強みを最大限に活用するために、ニューラルネットワーク内のデータを確率変数またはユニタリ行列の数値として表現するのが最善であることを発見し、それらが基本的な量子論理ゲートによって直接操作されることを発見した。
これらのデータ表現に基づいて、QuantumFlowでQF-pNetとQF-hNetという2つの量子親和性ニューラルネットワークを提案する。
確率変数を用いたqf-pnetは柔軟性が向上し、qf-hnetよりも多くのqbitと論理ゲートを測定せずに2つの層をシームレスに接続できる。
一方、単位行列を持つQF-hNetは2^kデータをkkビットにエンコードすることができ、新しいアルゴリズムによりO(k^2)のコスト複雑性を保証できる。
古典計算におけるO(2^k)のコストと比較すると、QF-hNetは量子上の利点を示す。
評価の結果、QF-pNetとQF-hNetはそれぞれ97.10%と98.27%の精度を達成できることがわかった。
さらに,ニューラルネットワークの入力サイズが16から2,048に大きくなると,QuantumFlowのコスト削減は2.4倍から64倍に増加した。
さらに、MNISTデータセットでは、QF-hNetは94.09%の精度を達成でき、古典的なコンピュータに対するコスト削減は10.85倍に達する。
私たちの知る限りでは、quantumflowはニューラルネットワークの計算における潜在的な量子優位性を示す最初の仕事です。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Evaluating the performance of sigmoid quantum perceptrons in quantum
neural networks [0.0]
量子機械学習のための有望なアーキテクチャとして量子ニューラルネットワーク(QNN)が提案されている。
1つの候補は古典的パーセプトロンの非線形活性化関数をエミュレートするために設計された量子パーセプトロンである。
本稿では,SQPネットワークの性能と性能を,その有効次元と有効容量の計算によって評価する。
論文 参考訳（メタデータ） (2022-08-12T10:08:11Z) - Scalable Quantum Neural Networks for Classification [11.839990651381617]
本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。
SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
論文 参考訳（メタデータ） (2022-08-04T20:35:03Z) - Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。
本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文 参考訳（メタデータ） (2022-05-17T07:47:00Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - 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) - QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。
提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。
交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
論文 参考訳（メタデータ） (2021-06-19T04:37:39Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。