論文の概要: Exploring Quantum Perceptron and Quantum Neural Network structures with a teacher-student scheme

• arxiv url: http://arxiv.org/abs/2105.01477v2
• Date: Thu, 25 Nov 2021 16:39:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-01 15:35:10.178921
• Title: Exploring Quantum Perceptron and Quantum Neural Network structures with a teacher-student scheme
• Title（参考訳）: 教師学生による量子知覚と量子ニューラルネットワークの構造探索
• Authors: Aikaterini (Katerina) Gratsea and Patrick Huembeli
• Abstract要約: 量子カーネル法や量子ニューラルネットワーク(QNN)のような量子機械学習モデルを構築し、分類タスクを実行するために、短期量子デバイスを使用することができる。 本研究の目的は、異なるQNNアーキテクチャを体系的に比較し、その相対表現力と教師-学生間のスキームを評価することである。 我々は特に、Tacchino et. al. citeTacchino1の最近の研究に触発された量子パーセプトロンモデルに注目し、もともとP'erez-Salinas et. al. citeによって導入されたデータ再ロードスキームと比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Near-term quantum devices can be used to build quantum machine learning models, such as quantum kernel methods and quantum neural networks (QNN) to perform classification tasks. There have been many proposals how to use variational quantum circuits as quantum perceptrons or as QNNs. The aim of this work is to systematically compare different QNN architectures and to evaluate their relative expressive power with a teacher-student scheme. Specifically, the teacher model generates the datasets mapping random inputs to outputs which then have to be learned by the student models. This way, we avoid training on arbitrary data sets and allow to compare the learning capacity of different models directly via the loss, the prediction map, the accuracy and the relative entropy between the prediction maps. We focus particularly on a quantum perceptron model inspired by the recent work of Tacchino et. al. \cite{Tacchino1} and compare it to the data re-uploading scheme that was originally introduced by P\'erez-Salinas et. al. \cite{data_re-uploading}. We discuss alterations of the perceptron model and the formation of deep QNN to better understand the role of hidden units and non-linearities in these architectures.
• Abstract（参考訳）: 近い将来の量子デバイスは、量子カーネル法や量子ニューラルネットワーク(qnn)などの量子機械学習モデルを構築し、分類タスクを実行するために使用できる。 変分量子回路を量子パーセプトロンやQNNとして使う方法が提案されている。 本研究の目的は、異なるQNNアーキテクチャを体系的に比較し、その相対表現力と教師-学生間のスキームを評価することである。 具体的には、教師モデルは、ランダム入力を出力にマッピングしたデータセットを生成し、学生モデルで学習する必要がある。 このように、任意のデータセットのトレーニングを回避し、損失、予測マップ、精度および予測マップ間の相対エントロピーを介して、異なるモデルの学習能力を直接比較することができる。 tacchino etの最近の業績に触発された量子パーセプトロンモデルに特に注目する。 アル \cite{tacchino1} と p\'erez-salinas et によって導入されたデータ再アップロード方式と比較する。 アル \cite{data_re-uploading}。 本稿では, パーセプトロンモデルの変更と深部QNNの形成について論じ, これらのアーキテクチャにおける隠れ単位と非線形性の役割をよりよく理解する。

関連論文リスト

• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Efficient Quantum Feature Extraction for CNN-based Learning [5.236201168829204]
  本稿では,古典的CNNモデルの識別可能性を高めるために,量子古典的なディープネットワーク構造を提案する。 我々は、より強力な関数近似器であるPQCを構築し、受容場内の特徴を捉えるためにより複雑な構造を持つ。 その結果, アンザッツの表現性が高いモデルでは, 低コストで精度が高いことが判明した。
  論文  参考訳（メタデータ） (2022-01-04T17:04:07Z)
• Quantum Self-Supervised Learning [22.953284192004034]
  対照的自己監督学習のための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。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
  論文  参考訳（メタデータ） (2021-03-26T18:00:00Z)
• 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)
• 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)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。