Fugu-MT 論文翻訳(概要): Training Quantum Neural Networks on NISQ Devices

論文の概要: Training Quantum Neural Networks on NISQ Devices

arxiv url: http://arxiv.org/abs/2104.06081v1
Date: Tue, 13 Apr 2021 10:34:03 GMT
ステータス: 処理完了
システム内更新日: 2023-04-03 23:40:34.522874
Title: Training Quantum Neural Networks on NISQ Devices
Title（参考訳）: NISQデバイスを用いた量子ニューラルネットワークのトレーニング
Authors: Kerstin Beer, Daniel List, Gabriel M\"uller, Tobias J. Osborne, Christian Struckmann
Abstract要約: 我々は,IBMのNISQデバイス上での2つの量子ニューラルネットワーク(QNN)アーキテクチャの耐雑音性を評価する。 DQNNは未知のユニタリをQAOAよりも確実に学習し,ゲートノイズの影響を受けにくいことがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The advent of noisy intermediate-scale quantum (NISQ) devices offers crucial opportunities for the development of quantum algorithms. Here we evaluate the noise tolerance of two quantum neural network (QNN) architectures on IBM's NISQ devices, namely, dissipative QNN (DQNN) whose building-block perceptron is a completely positive map, and the quantum approximate optimization algorithm (QAOA). We compare these two approaches to learning an unknown unitary. While both networks succeed in this learning task, we find that a DQNN learns an unknown unitary more reliably than QAOA and is less susceptible to gate noise.
Abstract（参考訳）: ノイズの多い中間スケール量子(nisq)デバイスの出現は、量子アルゴリズムの開発に重要な機会を与える。ここでは、IBMのNISQデバイス上の2つの量子ニューラルネットワーク(QNN)アーキテクチャ、すなわちビルディングブロックパーセプトロンが完全に正の写像である消散性QNN(DQNN)と量子近似最適化アルゴリズム(QAOA)の耐雑音性を評価する。未知のユニタリを学ぶための2つのアプローチを比較する。どちらのネットワークもこの学習タスクを成功させるが、dqnnはqaoaよりも確実に未知のユニタリを学習し、ゲートノイズの影響を受けにくい。

関連論文リスト

Quantum Neural Network Training of a Repeater Node [0.0]
現実の量子コンピュータは、量子回路のデコヒーレンスと緩和時間によって特徴付けられる様々な種類のノイズに悩まされる。スワップ操作を行い、トレーニングされたQNNソリューションと標準スワップゲートを比較するために量子ニューラルネットワーク(QNN)を構築する。 QNNは2つの量子ビットに対して容易に一般化でき、追加のトレーニングなしでより多くの量子ビットにスケールアップできる。
論文参考訳（メタデータ） (2024-08-08T18:19:09Z)
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)
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)
Scalable Quantum Convolutional Neural Networks [12.261689483681145]
我々は、スケーラブル量子畳み込みニューラルネットワーク(sQCNN)と呼ばれる量子ニューラルネットワーク(QCNN)の新バージョンを提案する。さらに、QCの忠実度を用いて、sQCNNの性能を最大化する逆忠実度トレーニング(RF-Train)と呼ばれるsQCNNトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-26T02:07:00Z)
Entanglement entropy production in Quantum Neural Networks [0.0]
量子ニューラルネットワーク(QNN)は、ノイズ中間量子コンピュータ(NISQ)時代に量子優位性を達成するための候補と考えられている。任意のQNNアーキテクチャにおいて、絡み合いが生成される速度に対して、普遍的な振舞いを示す。本稿では,QNNにおける絡み合い生成を特徴付ける新しい指標として,絡み合いの速度について紹介する。
論文参考訳（メタデータ） (2022-06-06T10:17:17Z)
Dissipative quantum generative adversarial networks [0.0]
2つの散逸型量子ニューラルネットワーク(DQNN)を用いた生成逆モデルを構築する。両部を競争的に訓練することで,よく訓練されたDQNNが得られることがわかった。
論文参考訳（メタデータ） (2021-12-11T22:59:40Z)
Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文参考訳（メタデータ） (2021-04-30T20:38:41Z)
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)
Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文参考訳（メタデータ） (2020-10-20T12:06:27Z)
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)

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。