論文の概要: The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning

• arxiv url: http://arxiv.org/abs/2103.04913v1
• Date: Mon, 8 Mar 2021 17:24:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:10:45.085116
• Title: The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning
• Title（参考訳）: ニューラルネットワークにおけるヒントン:深層学習の量子場理論
• Authors: Roberto Bondesan, Max Welling
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 84.33745072274942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we develop a quantum field theory formalism for deep learning, where input signals are encoded in Gaussian states, a generalization of Gaussian processes which encode the agent's uncertainty about the input signal. We show how to represent linear and non-linear layers as unitary quantum gates, and interpret the fundamental excitations of the quantum model as particles, dubbed ``Hintons''. On top of opening a new perspective and techniques for studying neural networks, the quantum formulation is well suited for optical quantum computing, and provides quantum deformations of neural networks that can be run efficiently on those devices. Finally, we discuss a semi-classical limit of the quantum deformed models which is amenable to classical simulation.
• Abstract（参考訳）: 本研究では,入力信号がガウス状態に符号化され,エージェントの入力信号に対する不確実性を符号化するガウス過程を一般化する,深層学習のための量子場理論形式論を開発する。 本稿では、線形および非線形層をユニタリ量子ゲートとして表現し、量子モデルの基本的な励起を粒子として解釈する方法を示す。 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、量子定式化は光学量子コンピューティングに適しており、これらのデバイス上で効率的に実行できるニューラルネットワークの量子変形を提供する。 最後に,古典的シミュレーションに応用可能な量子変形モデルの半古典的極限について考察する。

関連論文リスト

• Shedding Light on the Future: Exploring Quantum Neural Networks through Optics [3.1935899800030096]
  量子ニューラルネットワーク(QNN)は、急速に発展する量子機械学習分野において、新興技術として重要な役割を果たす。 本稿では,QNNの概念とその物理的実現,特に量子光学に基づく実装について概説する。
  論文  参考訳（メタデータ） (2024-09-04T08:49:57Z)
• 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)
• Quantum Generative Adversarial Networks: Bridging Classical and Quantum Realms [0.6827423171182153]
  GAN(Generative Adversarial Networks)領域における古典的および量子コンピューティングパラダイムの相乗的融合について検討する。 我々の目的は、量子計算要素を従来のGANアーキテクチャにシームレスに統合し、トレーニングプロセスの強化のために新しい経路を開放することである。 この研究は量子化機械学習の最前線に位置し、量子システムの計算能力を活用するための重要な一歩である。
  論文  参考訳（メタデータ） (2023-12-15T16:51:36Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum Neural Architecture Search with Quantum Circuits Metric and Bayesian Optimization [2.20200533591633]
  各量子状態に対するゲートの作用を特徴付ける新しい量子ゲート距離を提案する。 提案手法は、経験的量子機械学習の3つの問題において、ベンチマークを著しく上回っている。
  論文  参考訳（メタデータ） (2022-06-28T16:23:24Z)
• Experimental quantum memristor [0.5396401833457565]
  我々は、集積フォトニクスと単一光子に作用する新しい量子光学メムリスタを、実験的に導入し、実証する。 私たちのデバイスは、即時および短期的な量子ニューロモルフィックアーキテクチャの構築ブロックになる可能性がある。
  論文  参考訳（メタデータ） (2021-05-11T08:42:14Z)
• 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)
• A Derivative-free Method for Quantum Perceptron Training in Multi-layered Neural Networks [2.962453125262748]
  量子パーセプトロンに基づく多層ニューラルネットワークのグラデーションフリー・アプローチ 我々は測定可能な演算子を用いて、マルコフプロセスと整合した方法でネットワークの状態を定義する。
  論文  参考訳（メタデータ） (2020-09-23T01:38:34Z)

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。