論文の概要: When Machine Learning Meets Quantum Computers: A Case Study
- arxiv url: http://arxiv.org/abs/2012.10360v1
- Date: Fri, 18 Dec 2020 17:06:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 21:40:24.239664
- Title: When Machine Learning Meets Quantum Computers: A Case Study
- Title（参考訳）: 機械学習が量子コンピュータと出会うとき:ケーススタディ
- Authors: Weiwen Jiang, Jinjun Xiong, Yiyu Shi
- Abstract要約: 本稿では,量子プロセッサ上でのニューラルネットワークアクセラレーションのエンドツーエンド実装を実証するケーススタディを行う。
標準かつ広く使用されているmnistデータセットを用いて,多層パーセプトロンを用いて画像分類を行う。
この研究は、量子プロセッサ上の訓練されたニューラルネットワークの推論フェーズの加速を目標とする。
- 参考スコア（独自算出の注目度）: 29.551615987978046
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Along with the development of AI democratization, the machine learning
approach, in particular neural networks, has been applied to wide-range
applications. In different application scenarios, the neural network will be
accelerated on the tailored computing platform. The acceleration of neural
networks on classical computing platforms, such as CPU, GPU, FPGA, ASIC, has
been widely studied; however, when the scale of the application consistently
grows up, the memory bottleneck becomes obvious, widely known as memory-wall.
In response to such a challenge, advanced quantum computing, which can
represent 2^N states with N quantum bits (qubits), is regarded as a promising
solution. It is imminent to know how to design the quantum circuit for
accelerating neural networks. Most recently, there are initial works studying
how to map neural networks to actual quantum processors. To better understand
the state-of-the-art design and inspire new design methodology, this paper
carries out a case study to demonstrate an end-to-end implementation. On the
neural network side, we employ the multilayer perceptron to complete image
classification tasks using the standard and widely used MNIST dataset. On the
quantum computing side, we target IBM Quantum processors, which can be
programmed and simulated by using IBM Qiskit. This work targets the
acceleration of the inference phase of a trained neural network on the quantum
processor. Along with the case study, we will demonstrate the typical procedure
for mapping neural networks to quantum circuits.
- Abstract（参考訳）: AIの民主化の発展に伴い、機械学習アプローチ、特にニューラルネットワークは、広範囲のアプリケーションに適用されている。
異なるアプリケーションシナリオでは、ニューラルネットワークはカスタマイズされたコンピューティングプラットフォーム上で加速される。
CPU、GPU、FPGA、ASICなどの古典的コンピューティングプラットフォーム上でのニューラルネットワークの高速化は広く研究されているが、アプリケーションのスケールが一貫して大きくなると、メモリボトルネックは明らかになり、メモリウォールとして知られるようになった。
このような課題に対応して、n量子ビット(量子ビット)を持つ2^n状態を表す高度な量子コンピューティングは有望な解と見なされる。
ニューラルネットワークの高速化のための量子回路の設計方法を知ることは急務である。
最近では、ニューラルネットワークを実際の量子プロセッサにマップする方法の研究が始まっている。
最先端の設計をより深く理解し,新しい設計方法論を刺激するために,本稿では,エンドツーエンド実装を実証する事例研究を行う。
ニューラルネットワークでは,マルチ層パーセプトロンを用いて,標準かつ広く使用されているMNISTデータセットを用いて画像分類タスクを完成させる。
量子コンピューティングに関しては、IBM Qiskitを用いてプログラムし、シミュレートできるIBM Quantumプロセッサをターゲットにしている。
この研究は、量子プロセッサ上でトレーニングされたニューラルネットワークの推論フェーズの加速を目標とする。
このケーススタディとともに、ニューラルネットワークを量子回路にマッピングするための典型的な手順を実証する。
関連論文リスト
- Let the Quantum Creep In: Designing Quantum Neural Network Models by
Gradually Swapping Out Classical Components [1.024113475677323]
現代のAIシステムはニューラルネットワーク上に構築されることが多い。
古典的ニューラルネットワーク層を量子層に置き換える枠組みを提案する。
画像分類データセットの数値実験を行い、量子部品の体系的導入による性能変化を実証する。
論文 参考訳（メタデータ） (2024-09-26T07:01:29Z) - CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳（メタデータ） (2024-08-28T00:56:03Z) - 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) - Quantum Methods for Neural Networks and Application to Medical Image
Classification [5.817995726696436]
ニューラルネットワークのための新しい量子法を2つ導入する。
1つ目は、量子ピラミッド回路に基づく量子直交ニューラルネットワークである。
第2の方法は量子支援ニューラルネットワークであり、量子コンピュータを用いて内部積推定を行う。
論文 参考訳（メタデータ） (2022-12-14T18:17:19Z) - 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) - A Quantum Convolutional Neural Network for Image Classification [7.745213180689952]
量子畳み込みニューラルネットワーク(QCNN)という新しいニューラルネットワークモデルを提案する。
QCNNは実装可能な量子回路に基づいており、古典的畳み込みニューラルネットワークと同様の構造を持つ。
MNISTデータセットの数値シミュレーションにより,本モデルの有効性が示された。
論文 参考訳（メタデータ） (2021-07-08T06:47:34Z) - 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) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳（メタデータ） (2021-03-08T17:24:29Z) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳（メタデータ） (2021-03-03T16:10:15Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳（メタデータ） (2020-10-21T09:46:12Z)
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。