論文の概要: A Quantum Convolutional Neural Network on NISQ Devices

• arxiv url: http://arxiv.org/abs/2104.06918v3
• Date: Thu, 22 Apr 2021 10:56:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 21:14:29.503714
• Title: A Quantum Convolutional Neural Network on NISQ Devices
• Title（参考訳）: NISQデバイス上の量子畳み込みニューラルネットワーク
• Authors: ShiJie Wei, YanHu Chen, ZengRong Zhou, GuiLu Long
• Abstract要約: 本稿では,畳み込みニューラルネットワークに着想を得た量子畳み込みニューラルネットワークを提案する。 我々のモデルは、画像認識タスクの特定のノイズに対して堅牢である。 これは、ビッグデータ時代の情報を処理するために、量子パワーを活用する可能性を開く。
• 参考スコア（独自算出の注目度）: 0.9831489366502298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning is one of the most promising applications of quantum computing in the Noisy Intermediate-Scale Quantum(NISQ) era. Here we propose a quantum convolutional neural network(QCNN) inspired by convolutional neural networks(CNN), which greatly reduces the computing complexity compared with its classical counterparts, with $O((log_{2}M)^6) $ basic gates and $O(m^2+e)$ variational parameters, where $M$ is the input data size, $m$ is the filter mask size and $e$ is the number of parameters in a Hamiltonian. Our model is robust to certain noise for image recognition tasks and the parameters are independent on the input sizes, making it friendly to near-term quantum devices. We demonstrate QCNN with two explicit examples. First, QCNN is applied to image processing and numerical simulation of three types of spatial filtering, image smoothing, sharpening, and edge detection are performed. Secondly, we demonstrate QCNN in recognizing image, namely, the recognition of handwritten numbers. Compared with previous work, this machine learning model can provide implementable quantum circuits that accurately corresponds to a specific classical convolutional kernel. It provides an efficient avenue to transform CNN to QCNN directly and opens up the prospect of exploiting quantum power to process information in the era of big data.
• Abstract（参考訳）: 量子機械学習は、ノイズ中間スケール量子(NISQ)時代の量子コンピューティングの最も有望な応用の1つである。 本稿では、畳み込みニューラルネットワーク(CNN)にインスパイアされた量子畳み込みニューラルネットワーク(QCNN)を提案する。これは従来のニューラルネットワークに比べて計算の複雑さを大幅に減らし、$O((log_{2}M)^6) $ basic gates and $O(m^2+e)$ variational parameters, where $M$ is the input data size, $m$ is the filter mask size, $e$ is the number of parameters in a Hamiltonian。 我々のモデルは画像認識タスクのノイズに対して頑健であり、パラメータは入力サイズに依存しており、短期的な量子デバイスと親和性がある。 QCNNには2つの明確な例がある。 まず, 3種類の空間フィルタリング, 画像平滑化, シャープニング, エッジ検出の画像処理と数値シミュレーションにQCNNを適用した。 第2に,画像認識におけるQCNN,すなわち手書き文字の認識について示す。 従来の研究と比較して、この機械学習モデルは、特定の古典的畳み込みカーネルに正確に対応する実装可能な量子回路を提供することができる。 CNNをQCNNに直接変換する効率的な方法を提供し、ビッグデータ時代の情報処理に量子パワーを活用する可能性を開く。

関連論文リスト

• Satellite image classification with neural quantum kernels [0.0699049312989311]
  量子カーネルを使用して、ソーラーパネルを含むイメージを分類します。 後者では、拡張性を確保するために$n$-qubit QNNを反復的にトレーニングし、結果のアーキテクチャを使って$n$-qubit EQKを直接生成します。 結果はQNNの準最適トレーニングに対して堅牢である。
  論文  参考訳（メタデータ） (2024-09-30T14:52:00Z)
• Quantum convolutional neural networks for jet images classification [0.0]
  本稿では,高エネルギー物理学における量子機械学習の性能について述べる。 このタスクには量子畳み込みニューラルネットワーク(QCNN)を使用し、その性能をCNNと比較する。 以上の結果から,適切な設定のQCNNの方が,CNNよりも優れた性能を示す傾向が示唆された。
  論文  参考訳（メタデータ） (2024-08-16T12:28:10Z)
• Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
  本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。 本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。 VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
  論文  参考訳（メタデータ） (2023-03-10T11:24:32Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• 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)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• 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)
• 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)
• A Tutorial on Quantum Convolutional Neural Networks (QCNN) [11.79760591464748]
  畳み込みニューラルネットワーク(CNN)はコンピュータビジョンにおいて一般的なモデルである。 CNNは、与えられたデータやモデルの次元が大きすぎる場合、効率的に学習するのは難しい。 量子畳み込みニューラルネットワーク(Quantum Convolutional Neural Network, QCNN)は、量子コンピューティング環境を用いてCNNで解決する問題に対する新しい解決策を提供する。
  論文  参考訳（メタデータ） (2020-09-20T12:29:05Z)
• 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。

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。