論文の概要: QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity

• arxiv url: http://arxiv.org/abs/2103.11307v3
• Date: Thu, 31 Mar 2022 21:56:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 06:37:51.182713
• Title: QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity
• Title（参考訳）: QuClassi: 量子状態忠実度に基づくハイブリッドディープニューラルネットワークアーキテクチャ
• Authors: Samuel A. Stein, Betis Baheri, Daniel Chen, Ying Mao, Qiang Guan, Ang Li, Shuai Xu, Caiwen Ding
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.152233840194473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the past decade, remarkable progress has been achieved in deep learning related systems and applications. In the post Moore's Law era, however, the limit of semiconductor fabrication technology along with the increasing data size have slowed down the development of learning algorithms. In parallel, the fast development of quantum computing has pushed it to the new ear. Google illustrates quantum supremacy by completing a specific task (random sampling problem), in 200 seconds, which is impracticable for the largest classical computers. Due to the limitless potential, quantum based learning is an area of interest, in hopes that certain systems might offer a quantum speedup. In this work, we propose a novel architecture QuClassi, a quantum neural network for both binary and multi-class classification. Powered by a quantum differentiation function along with a hybrid quantum-classic design, QuClassi encodes the data with a reduced number of qubits and generates the quantum circuit, pushing it to the quantum platform for the best states, iteratively. We conduct intensive experiments on both the simulator and IBM-Q quantum platform. The evaluation results demonstrate that QuClassi is able to outperform the state-of-the-art quantum-based solutions, Tensorflow-Quantum and QuantumFlow by up to 53.75% and 203.00% for binary and multi-class classifications. When comparing to traditional deep neural networks, QuClassi achieves a comparable performance with 97.37% fewer parameters.
• Abstract（参考訳）: 過去10年間で、ディープラーニング関連のシステムやアプリケーションで顕著な進歩を遂げてきた。 しかし、ムーアの法則の時代において、半導体製造技術の限界とデータサイズの増加は、学習アルゴリズムの開発を遅らせた。 並行して、量子コンピューティングの急速な発展は、それを新しい耳に押し上げた。 Googleは、特定のタスク(ランダムサンプリング問題)を200秒で完了することで、量子超越性を説明している。 限界のないポテンシャルのため、量子ベースの学習は関心領域であり、特定のシステムが量子スピードアップを提供することを期待している。 本研究では,バイナリ分類とマルチクラス分類のための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は量子ビット数の少ないデータをエンコードし、量子回路を生成し、最適な状態のために量子プラットフォームに繰り返しプッシュする。 我々はシミュレータとIBM-Q量子プラットフォームの両方で集中的な実験を行う。 評価結果は、QuClassiが最先端の量子ベースソリューションであるTensorflow-QuantumとQuantumFlowを最大53.75%、203.00%で上回っていることを示す。 従来のディープニューラルネットワークと比較すると、QuClassiは97.37%のパラメータで同等のパフォーマンスを達成した。

関連論文リスト

• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• 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)
• Quantum reservoir neural network implementation on coherently coupled quantum oscillators [1.7086737326992172]
  本稿では,多数の高密度結合ニューロンを得る量子貯水池の実装を提案する。 超伝導回路に基づく特定のハードウェア実装を解析する。 ベンチマークタスクでは99 %の最先端の精度が得られる。
  論文  参考訳（メタデータ） (2022-09-07T15:24:51Z)
• 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)
• Exploration of Quantum Neural Architecture by Mixing Quantum Neuron Designs [23.747282946165097]
  本稿では、量子ニューロン設計を混合して量子ニューラルアーキテクチャを構築するための最初の試みを行う。 既存の量子ニューロンの設計は、変動量子回路(VQC)や量子フロー(QuantumFlow)のニューロンなど、かなり異なるが相補的なものである。 我々はこれらを混ぜ合わせて,コストのかかる測定を伴わずにシームレスに接続する方法を提案する。
  論文  参考訳（メタデータ） (2021-09-08T17:47:54Z)
• 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)
• A Hybrid System for Learning Classical Data in Quantum States [13.900722734372254]
  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。
  論文  参考訳（メタデータ） (2020-12-01T04:17:33Z)
• 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。