論文の概要: Analyzing the barren plateau phenomenon in training quantum neural network with the ZX-calculus

• arxiv url: http://arxiv.org/abs/2102.01828v1
• Date: Wed, 3 Feb 2021 01:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 19:30:20.615645
• Title: Analyzing the barren plateau phenomenon in training quantum neural network with the ZX-calculus
• Title（参考訳）: ZX計算による量子ニューラルネットワークのトレーニングにおけるバレンプラトー現象の解析
• Authors: Chen Zhao and Xiao-Shan Gao
• Abstract要約: 我々は、バレンプラトース定理をユニタリ2設計回路からパラメータ化量子回路に拡張する。 ハードウェア効率の良いアンサッツとMPSにインスパイアされたアンサッツにはバレンプラトーが存在するのに対し、QCNNとツリーテンソルネットワークアンサッツにはバレンプラトーはないことが示されている。
• 参考スコア（独自算出の注目度）: 5.580888208592445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a general scheme to analyze the barren plateau phenomenon in training quantum neural networks with the ZX-calculus. More precisely, we extend the barren plateaus theorem from unitary 2-design circuits to any parameterized quantum circuits under certain reasonable assumptions. The main technical contribution of this paper is representing certain integrations as ZX-diagrams and computing them with the ZX-calculus. The method is used to analyze four concrete quantum neural networks with different structures. It is shown that, for the hardware efficient ansatz and the MPS-inspired ansatz, there exist barren plateaus, while for the QCNN and the tree tensor network ansatz, there exists no barren plateau.
• Abstract（参考訳）: 本論文では,ZX計算を用いた量子ニューラルネットワークの訓練におけるバレン高原現象を解析するための一般スキームを提案する。 より正確には、バレンプラトース定理(Barren Plateaus theorem)をユニタリ2設計回路から任意のパラメータ化量子回路に拡張する。 本論文の主な技術的貢献は、特定の積分をZX-ダイアグラムとして表し、それらをZX-計算で計算することである。 この方法は、異なる構造を持つ4つのコンクリート量子ニューラルネットワークを分析するために使用されます。 ハードウェア効率の良いアンサーツとMPSに触発されたアンサーツに対しては、バレン台地が存在し、QCNNやツリーテンソルネットワーク台地では、バレン台地は存在しないことが示されている。

関連論文リスト

• From $SU(2)$ holonomies to holographic duality via tensor networks [0.0]
  スピンネットワーク状態のテンソルネットワーク表現を構築し、$SU(2)$ゲージ不変離散場理論に対応する。 スピンネットワーク状態は、プランクスケール物理学に対するループ量子重力(LQG)アプローチにおいて中心的な役割を果たす。
  論文  参考訳（メタデータ） (2024-10-24T14:59:35Z)
• QKAN: Quantum Kolmogorov-Arnold Networks [0.6597195879147557]
  Kolmogorov-Arnold Networks (KAN)と呼ばれる新しいニューラルネットワークアーキテクチャが登場し、コルモゴロフ-Arnold表現定理の構成構造に着想を得た。 我々のQKANは、量子特異値変換を含む強力な量子線型代数ツールを利用して、ネットワークの端にパラメータ化活性化関数を適用する。 QKANはブロックエンコーディングに基づいており、本質的に直接量子入力に適している。
  論文  参考訳（メタデータ） (2024-10-06T10:11:57Z)
• Neural network representation of quantum systems [0.0]
  我々は、幅広い種類の量子力学系をニューラルネットワークの形でキャストできる新しいマップを提供する。 我々の発見は、機械学習を量子の世界に近づける。
  論文  参考訳（メタデータ） (2024-03-18T02:20:22Z)
• Unsupervised Random Quantum Networks for PDEs [0.0]
  PINNは、微分演算子と関連する境界条件を満たすように訓練されたディープニューラルネットワークの助けを借りて、PDEの解を近似する。 我々はこのアイデアを量子コンピューティング領域で再考し、パラメータ化されたランダム量子回路を試行的な解として用いた。 ランダムな量子ネットワークは、従来の量子ネットワークやランダムな古典的ネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-21T10:25:52Z)
• The Basis of Design Tools for Quantum Computing: Arrays, Decision Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
  量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。 完全に自動化された量子ソフトウェアスタックを開発する必要がある。 この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
  論文  参考訳（メタデータ） (2023-01-10T19:00:00Z)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits at Exascale [57.84751206630535]
  本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。 新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。 ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
  論文  参考訳（メタデータ） (2021-04-21T13:26:42Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• A Statistical Framework for Low-bitwidth Training of Deep Neural Networks [70.77754244060384]
  フル量子化トレーニング(FQT)は、ニューラルネットワークモデルのアクティベーション、重み、勾配を定量化することで、低ビット幅のハードウェアを使用する。 FQTの最大の課題は、特に勾配量子化が収束特性にどのように影響するかという理論的な理解の欠如である。
  論文  参考訳（メタデータ） (2020-10-27T13:57:33Z)
• Statistical Tests and Confidential Intervals as Thresholds for Quantum Neural Networks [0.0]
  我々は、最小二乗量子ニューラルネットワーク(LS-QNN)、対応する量子ニューラルネットワーク(PI-QNN)、回帰量子ニューラルネットワーク(PR-QNN)、およびカイ二乗量子ニューラルネットワーク(chi2$-QNN)を分析し、構築する。 対応するトレーニングルールのしきい値として、ソリューションやテストを使用します。
  論文  参考訳（メタデータ） (2020-01-30T05:41:04Z)
• 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。