論文の概要: Quantum Optimization for Training Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2103.17047v1
- Date: Wed, 31 Mar 2021 13:06:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 14:42:40.659421
- Title: Quantum Optimization for Training Quantum Neural Networks
- Title（参考訳）: 量子ニューラルネットワークのトレーニングのための量子最適化
- Authors: Yidong Liao, Min-Hsiu Hsieh, Chris Ferrie
- Abstract要約: 量子最適化アルゴリズムを利用して、特定のタスクに最適なQNNのパラメータを見つけるためのフレームワークを考案する。
ネットワークパラメータのヒルベルト空間における重ね合わせ状態の相対位相にQNNのコスト関数をコヒーレントに符号化する。
- 参考スコア（独自算出の注目度）: 16.780058676633914
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Training quantum neural networks (QNNs) using gradient-based or gradient-free
classical optimisation approaches is severely impacted by the presence of
barren plateaus in the cost landscapes. In this paper, we devise a framework
for leveraging quantum optimisation algorithms to find optimal parameters of
QNNs for certain tasks. To achieve this, we coherently encode the cost function
of QNNs onto relative phases of a superposition state in the Hilbert space of
the network parameters. The parameters are tuned with an iterative quantum
optimisation structure using adaptively selected Hamiltonians. The quantum
mechanism of this framework exploits hidden structure in the QNN optimisation
problem and hence is expected to provide beyond-Grover speed up, mitigating the
barren plateau issue.
- Abstract（参考訳）: 勾配に基づくあるいは勾配のない古典的最適化アプローチを用いた量子ニューラルネットワーク(QNN)のトレーニングは、コストランドスケープにおけるバレンプラトーの存在によって大きく影響を受ける。
本稿では、量子最適化アルゴリズムを利用して特定のタスクに対するQNNの最適パラメータを見つけるためのフレームワークを考案する。
これを実現するために、ネットワークパラメータのヒルベルト空間における重ね合わせ状態の相対位相にQNNのコスト関数をコヒーレントに符号化する。
パラメータは適応的に選択されたハミルトニアンを用いて反復量子最適化構造で調整される。
このフレームワークの量子メカニズムは、QNN最適化問題における隠れ構造を利用しており、従ってGroverを超えるスピードアップが期待され、バレンプラトー問題を緩和する。
関連論文リスト
- NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
近年、量子コンピューティングの分野は大幅に成熟している。
NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。
我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
論文 参考訳（メタデータ） (2024-11-23T23:09:22Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - Scaling Limits of Quantum Repeater Networks [62.75241407271626]
量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。
量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。
本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
論文 参考訳（メタデータ） (2023-05-15T14:57:01Z) - Optimizing Variational Quantum Algorithms with qBang: Efficiently Interweaving Metric and Momentum to Navigate Flat Energy Landscapes [0.0]
変分量子アルゴリズム(VQA)は、現在の量子コンピューティングインフラを利用するための有望なアプローチである。
本稿では,量子ブロイデン適応型自然勾配(qBang)アプローチを提案する。
論文 参考訳（メタデータ） (2023-04-27T00:06:48Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-14T08:03:20Z) - 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) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳（メタデータ） (2022-08-30T08:17:55Z) - 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) - Surviving The Barren Plateau in Variational Quantum Circuits with
Bayesian Learning Initialization [0.0]
変分量子古典ハイブリッドアルゴリズムは、近い将来に量子コンピュータの実用的な問題を解くための有望な戦略と見なされている。
本稿では,ベイズ空間における有望な領域を特定するために勾配を用いた高速・スローアルゴリズムを提案する。
本研究は, 量子化学, 最適化, 量子シミュレーション問題における変分量子アルゴリズムの応用に近づいたものである。
論文 参考訳（メタデータ） (2022-03-04T17:48:57Z) - Quantum Approximate Optimization Algorithm applied to the binary
perceptron [0.46664938579243564]
本稿では,量子アニーリング(QA)と量子近似最適化アルゴリズム(QAOA)を,ニューラルネットワークにおける教師あり学習のパラダイムタスクに適用する。
我々はQAOAパラメータに対する最適滑らかな解の存在を証明し、同じ問題の典型例間で伝達可能であることを示す。
従来のQAよりもQAOAの性能が向上したことを示す。
論文 参考訳（メタデータ） (2021-12-19T18:33:22Z) - 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)
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。