論文の概要: Layerwise learning for quantum neural networks

• arxiv url: http://arxiv.org/abs/2006.14904v1
• Date: Fri, 26 Jun 2020 10:44:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 22:17:15.297030
• Title: Layerwise learning for quantum neural networks
• Title（参考訳）: 量子ニューラルネットワークの階層的学習
• Authors: Andrea Skolik, Jarrod R. McClean, Masoud Mohseni, Patrick van der Smagt, Martin Leib
• Abstract要約: パラメタライズド量子回路のレイヤワイズ学習戦略を示す。 回路深さは最適化中に漸進的に増加し、各トレーニングステップでパラメータのサブセットのみが更新される。 本研究では,手書き文字による画像分類タスクに対するアプローチを実証し,階層的学習が平均で8%低い一般化誤差を達成したことを示す。
• 参考スコア（独自算出の注目度）: 7.2237324920669055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increased focus on quantum circuit learning for near-term applications on quantum devices, in conjunction with unique challenges presented by cost function landscapes of parametrized quantum circuits, strategies for effective training are becoming increasingly important. In order to ameliorate some of these challenges, we investigate a layerwise learning strategy for parametrized quantum circuits. The circuit depth is incrementally grown during optimization, and only subsets of parameters are updated in each training step. We show that when considering sampling noise, this strategy can help avoid the problem of barren plateaus of the error surface due to the low depth of circuits, low number of parameters trained in one step, and larger magnitude of gradients compared to training the full circuit. These properties make our algorithm preferable for execution on noisy intermediate-scale quantum devices. We demonstrate our approach on an image-classification task on handwritten digits, and show that layerwise learning attains an 8% lower generalization error on average in comparison to standard learning schemes for training quantum circuits of the same size. Additionally, the percentage of runs that reach lower test errors is up to 40% larger compared to training the full circuit, which is susceptible to creeping onto a plateau during training.
• Abstract（参考訳）: 量子デバイスへの短期的応用のための量子回路学習への注目が高まり、パラメタライズド量子回路のコスト関数ランドスケープによって提示されるユニークな課題とともに、効果的なトレーニング戦略がますます重要になっている。 これらの課題のいくつかを改善するために、パラメタライズド量子回路の階層的学習戦略を検討する。 回路深さは最適化中に徐々に増加し、各トレーニングステップでパラメータのサブセットのみが更新される。 サンプリングノイズを考慮した場合,本手法は,回路の深さが低く,1ステップでトレーニングされたパラメータ数が少なく,回路全体のトレーニングよりも勾配の大きさが大きいため,誤差面の不規則な高原問題を回避するのに役立つ。 これらの特性により、ノイズの多い中間スケール量子デバイス上での実行に好適なアルゴリズムである。 本研究では,手書き桁による画像分類タスクに対するアプローチを実証し,同じ大きさの量子回路をトレーニングするための標準学習方式と比較して,平均で8%低い一般化誤差が得られることを示す。 さらに、テストエラーの少ないランの割合は、トレーニング中に高原に忍び込む恐れがあるフルサーキットのトレーニングよりも最大40%大きい。

関連論文リスト

• Diffusion-Inspired Quantum Noise Mitigation in Parameterized Quantum Circuits [10.073911279652918]
  量子ノイズと拡散モデルの関係について検討する。 本稿では,PQCにおける量子ノイズを軽減するために,拡散に着想を得た新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-02T19:35:38Z)
• A Study on Optimization Techniques for Variational Quantum Circuits in Reinforcement Learning [2.7504809152812695]
  研究者は変分量子回路(VQC)に注目している VQCは、パラメータによって調整可能な量子回路をマージするハイブリッドアルゴリズムである。 近年の研究では、強化学習にVQCを適用する新しい方法が提示されている。
  論文  参考訳（メタデータ） (2024-05-20T20:06:42Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Backpropagation scaling in parameterised quantum circuits [0.0]
  我々は、古典的にシミュレート可能でない回路を導入し、回路数を大幅に減らして勾配推定を許容する。 具体的には、これらの回路は勾配、高次偏微分、フィッシャー情報行列の高速な推定を可能にする。 16量子ビットの玩具分類問題では、これらの回路は他の手法と競合する性能を示し、トレーニングコストを約2桁削減する。
  論文  参考訳（メタデータ） (2023-06-26T18:00:09Z)
• Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)
• Mode connectivity in the loss landscape of parameterized quantum circuits [1.7546369508217283]
  パラメータ化量子回路(PQC)の変分訓練は、近時雑音型中間スケール量子(NISQ)デバイスに多く採用されている。 PQCトレーニングにおける損失ランドスケープの特徴を研究するために、引用したraxler 2018essentiallyで使用されるコネクティビティの視覚化とテストを行うために、citegoodfellowqualitatively,li 2017で導入されたニューラルネットワークの定性的な損失ランドスケープのキャラクタリゼーションを適用した。
  論文  参考訳（メタデータ） (2021-11-09T18:28:46Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Quantum error reduction with deep neural network applied at the post-processing stage [0.0]
  本稿では、トロッターステップからなる量子回路の周期構造を特徴とするディジタル量子シミュレーション法を提案する。 我々のアプローチの重要な要素は、トレーニング段階では古典的なシミュレーターのデータを必要としないことである。 ネットワークは、トロッターステップ数を人工的に増加させた量子ハードウェアから得たデータを変換するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-17T13:04:26Z)
• FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits [105.54048699217668]
  任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。 FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。 本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
  論文  参考訳（メタデータ） (2021-03-15T17:38:33Z)
• Adaptive Quantization of Model Updates for Communication-Efficient Federated Learning [75.45968495410047]
  クライアントノードと中央集約サーバ間のモデル更新の通信は、連合学習において大きなボトルネックとなる。 グラディエント量子化(Gradient Quantization)は、各モデル更新間の通信に必要なビット数を削減する効果的な方法である。 通信効率と低エラーフロアを実現することを目的としたAdaFLと呼ばれる適応量子化戦略を提案する。
  論文  参考訳（メタデータ） (2021-02-08T19:14:21Z)
• Optimal Gradient Quantization Condition for Communication-Efficient Distributed Training [99.42912552638168]
  勾配の通信は、コンピュータビジョンアプリケーションで複数のデバイスでディープニューラルネットワークをトレーニングするのに費用がかかる。 本研究は,textbfANY勾配分布に対する二値および多値勾配量子化の最適条件を導出する。 最適条件に基づいて, 偏差BinGradと非偏差ORQの2値勾配量子化と多値勾配量子化の2つの新しい量子化手法を開発した。
  論文  参考訳（メタデータ） (2020-02-25T18:28:39Z)

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。