論文の概要: A Hybrid System for Learning Classical Data in Quantum States
- arxiv url: http://arxiv.org/abs/2012.00256v2
- Date: Fri, 20 Aug 2021 15:18:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-22 12:17:25.749010
- Title: A Hybrid System for Learning Classical Data in Quantum States
- Title(参考訳): 量子状態における古典データ学習のためのハイブリッドシステム
- Authors: Samuel A. Stein, Ryan L'Abbate, Wenrui Mu, Yue Liu, Betis Baheri, Ying
Mao, Qiang Guan, Ang Li, Bo Fang
- Abstract要約: 我々は、量子状態を通して古典的なデータを学習するためのハイブリッドで汎用的な量子フレームワークGenQuを提案する。
我々は、実際のデータセットを用いてGenQuを評価し、シミュレーションと実量子コンピュータIBM-Qの両方で実験を行う。
- 参考スコア(独自算出の注目度): 13.900722734372254
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Deep neural network powered artificial intelligence has rapidly changed our
daily life with various applications. However, as one of the essential steps of
deep neural networks, training a heavily weighted network requires a tremendous
amount of computing resources. Especially in the post-Moore's Law era, the
limit of semiconductor fabrication technology has restricted the development of
learning algorithms to cope with the increasing high-intensity training data.
Meanwhile, quantum computing has demonstrated its significant potential in
terms of speeding up the traditionally compute-intensive workloads. For
example, Google illustrated quantum supremacy by completing a sampling
calculation task in 200 seconds, which is otherwise impracticable on the
world's largest supercomputers. To this end, quantum-based learning has become
an area of interest, with the potential of a quantum speedup. In this paper, we
propose GenQu, a hybrid and general-purpose quantum framework for learning
classical data through quantum states. We evaluate GenQu with real datasets and
conduct experiments on both simulations and real quantum computer IBM-Q. Our
evaluation demonstrates that, compared with classical solutions, the proposed
models running on GenQu framework achieve similar accuracy with a much smaller
number of qubits, while significantly reducing the parameter size by up to
95.86% and converging speedup by 33.33% faster.
- Abstract(参考訳): ディープニューラルネットワークを利用した人工知能は、さまざまなアプリケーションで私たちの日常生活を急速に変えてきた。
しかし、ディープニューラルネットワークの重要なステップの1つとして、重み付けされたネットワークのトレーニングには膨大なコンピューティングリソースが必要である。
特にムーア法時代以降、半導体製造技術の限界は、高強度トレーニングデータの増加に対応するための学習アルゴリズムの開発を制限してきた。
一方、量子コンピューティングは、従来の計算集約的なワークロードのスピードアップにおいて、その大きな可能性を実証している。
例えば、Googleは200秒でサンプリング計算タスクを完了させることで量子超越性を説明した。
この目的のために、量子ベースの学習は、量子スピードアップのポテンシャルとともに、関心の領域となっている。
本稿では,古典的データを量子状態から学習するためのハイブリッドで汎用的な量子フレームワークGenQuを提案する。
我々は、実際のデータセットを用いてGenQuを評価し、シミュレーションと実量子コンピュータIBM-Qの両方で実験を行う。
我々の評価では,GenQuフレームワーク上で動作する提案モデルでは,従来の手法と比較して,非常に少ないキュービット数で同様の精度でパラメータサイズを95.86%,33.33%高速化した。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳(メタデータ) (2024-08-22T08:21:28Z) - 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) - Quantum Neural Network for Quantum Neural Computing [0.0]
本稿では,量子ニューラルネットワークのための新しい量子ニューラルネットワークモデルを提案する。
我々のモデルは、状態空間のサイズがニューロンの数とともに指数関数的に大きくなるという問題を回避している。
我々は手書き文字認識や他の非線形分類タスクのモデルをベンチマークする。
論文 参考訳(メタデータ) (2023-05-15T11:16:47Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - A Hybrid Quantum-Classical Neural Network Architecture for Binary
Classification [0.0]
本稿では,各ニューロンが変動量子回路であるハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
シミュレーションハードウェアでは、ハイブリッドニューラルネットワークは、個々の変動量子回路よりも約10%高い分類精度とコストの20%の最小化を実現している。
論文 参考訳(メタデータ) (2022-01-05T21:06:30Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - 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) - QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum
State Fidelity [13.152233840194473]
本稿では,量子ニューラルネットワークQuClassiを提案する。
量子微分関数とハイブリッド量子古典設計により、QuClassiはデータを量子ビットでエンコードし、量子回路を生成し、最良の状態のために量子プラットフォームにプッシュする。
論文 参考訳(メタデータ) (2021-03-21T05:28:37Z) - Quantum neural networks with deep residual learning [29.929891641757273]
本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。
ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
論文 参考訳(メタデータ) (2020-12-14T18:11:07Z) - Quantum implementation of an artificial feed-forward neural network [0.0]
本研究では,最先端の超伝導量子プロセッサ上に実装された人工フィードフォワードニューラルネットワークを実験的に実現した。
このネットワークは量子人工ニューロンで構成されており、記憶容量の潜在的な利点を個別に示す。
このネットワークは、古典的な制御か、完全に一貫性のある方法で等価に動作可能であることを実証する。
論文 参考訳(メタデータ) (2019-12-28T16:49:19Z)
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。