論文の概要: Chaos and Complexity from Quantum Neural Network: A study with Diffusion
Metric in Machine Learning
- arxiv url: http://arxiv.org/abs/2011.07145v2
- Date: Tue, 16 Mar 2021 14:36:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 01:29:11.192009
- Title: Chaos and Complexity from Quantum Neural Network: A study with Diffusion
Metric in Machine Learning
- Title(参考訳): 量子ニューラルネットワークのカオスと複雑性:機械学習における拡散メトリックを用いた研究
- Authors: Sayantan Choudhury, Ankan Dutta and Debisree Ray
- Abstract要約: 量子ニューラルネットワーク(QNN)の機械学習力学における量子カオス現象と複雑性について検討する。
統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, our prime objective is to study the phenomena of quantum chaos
and complexity in the machine learning dynamics of Quantum Neural Network
(QNN). A Parameterized Quantum Circuits (PQCs) in the hybrid quantum-classical
framework is introduced as a universal function approximator to perform
optimization with Stochastic Gradient Descent (SGD). We employ a statistical
and differential geometric approach to study the learning theory of QNN. The
evolution of parametrized unitary operators is correlated with the trajectory
of parameters in the Diffusion metric. We establish the parametrized version of
Quantum Complexity and Quantum Chaos in terms of physically relevant
quantities, which are not only essential in determining the stability, but also
essential in providing a very significant lower bound to the generalization
capability of QNN. We explicitly prove that when the system executes limit
cycles or oscillations in the phase space, the generalization capability of QNN
is maximized. Finally, we have determined the generalization capability bound
on the variance of parameters of the QNN in a steady state condition using
Cauchy Schwartz Inequality.
- Abstract(参考訳): 本研究では,量子ニューラルネットワーク(QNN)の機械学習力学において,量子カオスと複雑性の現象を研究することを目的とする。
SGD(Stochastic Gradient Descent)を用いて最適化を行う汎用関数近似器として、ハイブリッド量子古典フレームワークにおけるパラメータ化量子回路(PQC)を導入する。
統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
パラメータ化されたユニタリ作用素の進化は拡散計量のパラメータの軌跡と相関する。
我々は、量子複雑性と量子カオスのパラメトリズドバージョンを物理的に関連する量として確立するが、これは安定性を決定するのに必須であるだけでなく、qnnの一般化能力に非常に重要な下限を与えるのにも不可欠である。
QNNの一般化能力は, 位相空間における極限周期や振動の実行時において最大化可能であることを明確に証明する。
最後に、コーシー・シュワルツの不等式を用いて、定常状態におけるQNNのパラメータの分散に縛られる一般化能力を決定した。
関連論文リスト
- Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:23:21Z) - Randomness-enhanced expressivity of quantum neural networks [7.7991930692137466]
本稿では,量子回路にランダム性を組み込むことにより,QNNの表現性を高める新しい手法を提案する。
我々は、Uhlmannの定理を用いて、任意の対象作用素を正確に近似することができることを証明した。
量子機械学習に広く応用できる複数の学習タスクに対してランダム性を導入することにより,QNNの表現性が向上することを発見した。
論文 参考訳(メタデータ) (2023-08-09T07:17:13Z) - Analyzing Convergence in Quantum Neural Networks: Deviations from Neural
Tangent Kernels [20.53302002578558]
量子ニューラルネットワーク(QNN)は、近未来のノイズ中間スケール量子(NISQ)コンピュータで効率的に実装可能なパラメータ化マッピングである。
既存の実証的および理論的研究にもかかわらず、QNNトレーニングの収束は完全には理解されていない。
論文 参考訳(メタデータ) (2023-03-26T22:58:06Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳(メタデータ) (2022-08-30T08:17:55Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Realizing Quantum Convolutional Neural Networks on a Superconducting
Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。
我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。
その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
論文 参考訳(メタデータ) (2021-09-13T12:32:57Z) - Continuous-variable neural-network quantum states and the quantum rotor
model [2.3398944692275476]
第1量子化における連続可変格子量子系の解析のためのニューラルネットワーク量子状態アルゴリズムについて検討する。
ボルツマン機械(RBM)波動関数を自然に一般化する連続可変トライアルウェーブフランプトンの族が導入された。
その結果, 偏微分方程式 (PDE) に基づくスケーラブル固有解法と比較した。
論文 参考訳(メタデータ) (2021-07-15T03:53:14Z) - 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) - 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。