Fugu-MT 論文翻訳(概要): QuGAN: A Quantum State Fidelity based Generative Adversarial Network

論文の概要: QuGAN: A Quantum State Fidelity based Generative Adversarial Network

arxiv url: http://arxiv.org/abs/2010.09036v3
Date: Fri, 23 Sep 2022 01:49:40 GMT
ステータス: 処理完了
システム内更新日: 2023-04-28 18:02:35.585707
Title: QuGAN: A Quantum State Fidelity based Generative Adversarial Network
Title（参考訳）: qugan: 量子状態忠実性に基づく生成的逆ネットワーク
Authors: Samuel A. Stein, Betis Baheri, Daniel Chen, Ying Mao, Qiang Guan, Ang Li, Bo Fang, Shuai Xu
Abstract要約: Generative Adversarial Network (GAN) は、科学、芸術、ビデオゲームの領域にまたがる人工画像の生成、テキスト・ツー・イメージ、画像拡張に広く利用されている。安定収束, 量子状態に基づく勾配, パラメータセットを著しく削減した量子GANアーキテクチャQuGANを提案する。
参考スコア（独自算出の注目度）: 10.110634675568203
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Tremendous progress has been witnessed in artificial intelligence where neural network backed deep learning systems have been used, with applications in almost every domain. As a representative deep learning framework, Generative Adversarial Network (GAN) has been widely used for generating artificial images, text-to-image or image augmentation across areas of science, arts and video games. However, GANs are computationally expensive, sometimes computationally prohibitive. Furthermore, training GANs may suffer from convergence failure and modal collapse. Aiming at the acceleration of use cases for practical quantum computers, we propose QuGAN, a quantum GAN architecture that provides stable convergence, quantum-state based gradients and significantly reduced parameter sets. The QuGAN architecture runs both the discriminator and the generator purely on quantum state fidelity and utilizes the swap test on qubits to calculate the values of quantum-based loss functions. Built on quantum layers, QuGAN achieves similar performance with a 94.98% reduction on the parameter set when compared to classical GANs. With the same number of parameters, additionally, QuGAN outperforms state-of-the-art quantum based GANs in the literature providing a 48.33% improvement in system performance compared to others attaining less than 0.5% in terms of similarity between generated distributions and original data sets. QuGAN code is released at https://github.com/yingmao/Quantum-Generative-Adversarial-Network
Abstract（参考訳）: ニューラルネットワークをベースとするディープラーニングシステムが、ほぼすべてのドメインに応用されている人工知能において、非常に進歩している。代表的なディープラーニングフレームワークとして、GAN(Generative Adversarial Network)は、科学、芸術、ビデオゲームの領域にまたがる人工画像の生成、テキストから画像への変換、画像の拡張に広く利用されている。しかし、GANは計算コストが高く、時には計算が禁止される。さらに、GANの訓練は収束不良とモード崩壊に悩まされる可能性がある。実用量子コンピュータのユースケースの加速を目的としたQuGANは,安定収束性,量子状態に基づく勾配,パラメータセットの大幅な削減を実現する量子GANアーキテクチャである。 QuGANアーキテクチャは、判別器とジェネレータの両方を純粋に量子状態忠実度で動作させ、量子ベースの損失関数の値を計算するために量子ビット上のスワップテストを利用する。量子層上に構築されたQuGANは、古典的なGANと比較してパラメータセットを94.98%削減する。同じ数のパラメータで、QuGANは、生成した分布と元のデータセットの類似性の点で0.5%未満であるのに比べて、48.33%のシステム性能向上を提供する文献において、最先端の量子ベースGANよりも優れている。 quganコードはhttps://github.com/yingmao/quantum-generative-adversarial-networkでリリース

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)
Variational Quantum Circuits Enhanced Generative Adversarial Network [5.209320054725053]
我々は、GAN(QC-GAN)を改善するためのハイブリッド量子古典アーキテクチャを提案する。 QC-GANは1層ニューラルネットワークと共に量子変動回路で構成され、識別器は従来のニューラルネットワークで構成されている。また、QC-GANが16ドル以上の画像を生成することのできない代替量子GAN、すなわちpathGANよりも優れていることを示した。
論文参考訳（メタデータ） (2024-02-02T03:59:35Z)
Effective detection of quantum discord by using Convolutional Neural Networks [0.0]
我々は16個のカーネルを用いて、不協和状態と非不協和状態の区別を行う畳み込みニューラルネットワーク(CNN)を設計する。量子不協和を効果的に検出できる分岐畳み込みニューラルネットワーク(BCNN)は、約85%または99%の精度を達成する。
論文参考訳（メタデータ） (2024-01-15T00:50:22Z)
A Hybrid Quantum-Classical Generative Adversarial Network for Near-Term Quantum Processors [0.0]
本稿では,短期量子プロセッサのためのハイブリッド量子古典生成逆数ネットワーク(GAN)を提案する。生成ネットワークは、量子回路を符号化する角度と変分量子アンサッツを用いて実現される。識別器ネットワークは、多段トレーニング可能な量子回路を用いて実現される。
論文参考訳（メタデータ） (2023-07-06T20:11:28Z)
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)
Post-training Quantization for Neural Networks with Provable Guarantees [9.58246628652846]
学習後ニューラルネットワーク量子化手法であるGPFQを,欲求経路追従機構に基づいて修正する。単層ネットワークを定量化するためには、相対二乗誤差は本質的に重み数で線形に減衰する。
論文参考訳（メタデータ） (2022-01-26T18:47:38Z)
Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文参考訳（メタデータ） (2021-04-30T20:38:41Z)
Ps and Qs: Quantization-aware pruning for efficient low latency neural network inference [56.24109486973292]
超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
論文参考訳（メタデータ） (2021-02-22T19:00:05Z)
Optimizing Entanglement Generation and Distribution Using Genetic Algorithms [0.640476282000118]
絡み合い分布による長距離量子通信は、量子インターネットにとって非常に重要である。量子リピータは理論上、絡み合いが分散できる距離を延ばすのに使えるが、実際にはハードウェアの品質は依然として不足している。エンタングルメント生成と分布の最適化のための遺伝的アルゴリズムと量子リピータ連鎖のシミュレーションに基づく手法を提案する。
論文参考訳（メタデータ） (2020-10-30T17:09:34Z)
Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文参考訳（メタデータ） (2020-10-13T06:57:17Z)
AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。