論文の概要: Implementation of quantum stochastic walks for function approximation,
two-dimensional data classification, and sequence classification
- arxiv url: http://arxiv.org/abs/2103.03018v2
- Date: Mon, 18 Apr 2022 15:27:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 02:37:35.795520
- Title: Implementation of quantum stochastic walks for function approximation,
two-dimensional data classification, and sequence classification
- Title（参考訳）: 関数近似、二次元データ分類、シーケンス分類のための量子確率歩行の実装
- Authors: Lu-Ji Wang, Jia-Yi Lin, Shengjun Wu
- Abstract要約: 本稿では,グラフ上の量子ウォークに基づく量子ニューラルネットワークについて検討し,勾配勾配を用いてネットワークパラメータを更新する。
5つのニューロンを持つ単純なQSNNは、単語列が文であるか否かを判断するために訓練され、QSNNがトレーニングステップ数を削減できることがわかった。
- 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: We study a quantum stochastic neural network (QSNN) based on quantum
stochastic walks on a graph, and use gradient descent to update the network
parameters. We apply a toy model of QSNN with a few neurons to the problems of
function approximation, two-dimensional data classification, and sequence
classification. A simple QSNN with five neurons is trained to determine whether
a sequence of words is a sentence or not, and we find that a QSNN can reduce
the number of training steps. A QSNN with 11 neurons shows a quantum advantage
in improving the accuracy of recognizing new types of inputs like verses.
Moreover, with our toy model, we find the coherent QSNN is more robust against
both label noise and device noise, compared with the decoherent QSNN. These
results show that quantum stochastic walks may be a useful resource to
implement a quantum neural network.
- Abstract（参考訳）: グラフ上の量子確率ウォークに基づく量子確率ニューラルネットワーク(QSNN)について検討し、勾配勾配を用いてネットワークパラメータを更新する。
関数近似,2次元データ分類,シーケンス分類といった問題に対して,少数のニューロンを持つQSNNの玩具モデルを適用する。
5つのニューロンを持つ単純なQSNNは、単語列が文であるか否かを判断するために訓練され、QSNNがトレーニングステップ数を削減できることがわかった。
11個のニューロンを持つQSNNは、詩のような新しいタイプの入力を認識する精度を改善する上で、量子的優位性を示している。
さらに,我々の玩具モデルでは,コヒーレントQSNNはラベルノイズとデバイスノイズの両方に対して,非コヒーレントQSNNよりも頑健であることがわかった。
これらの結果から,量子確率歩行は量子ニューラルネットワークの実装に有用な資源である可能性が示唆された。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - 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) - Random Quantum Neural Networks (RQNN) for Noisy Image Recognition [0.9205287316703888]
本稿では,RQNN (Random Quantum Neural Networks) の新たなクラスについて紹介する。
提案するRQNNは、重ね合わせ状態と振幅符号化機能を備えたハイブリッド古典量子アルゴリズムを用いる。
MNIST、FashionMNIST、KMNISTデータセットの実験により、提案されたRQNNモデルは平均分類精度が94.9%であることを示した。
論文 参考訳（メタデータ） (2022-03-03T15:15:29Z) - Quantum-inspired Complex Convolutional Neural Networks [17.65730040410185]
我々は、より豊かな表現能力とより良い非線形性を持つ複素数値重みを利用することにより、量子刺激ニューロンを改善した。
我々は、高次元データを処理できる量子インスパイアされた畳み込みニューラルネットワーク(QICNN)のモデルを描く。
5つのQICNNの分類精度をMNISTとCIFAR-10データセットで検証した。
論文 参考訳（メタデータ） (2021-10-31T03:10:48Z) - Quantum convolutional neural network for classical data classification [0.8057006406834467]
古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。
本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T06:48:34Z) - 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) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z) - Searching for Low-Bit Weights in Quantized Neural Networks [129.8319019563356]
低ビットの重みとアクティベーションを持つ量子ニューラルネットワークは、AIアクセラレータを開発する上で魅力的なものだ。
本稿では、任意の量子化ニューラルネットワークにおける離散重みを探索可能な変数とみなし、差分法を用いて正確に探索する。
論文 参考訳（メタデータ） (2020-09-18T09:13:26Z) - 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) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z)
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。