論文の概要: Negational Symmetry of Quantum Neural Networks for Binary Pattern Classification

• arxiv url: http://arxiv.org/abs/2105.09580v1
• Date: Thu, 20 May 2021 08:13:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 19:15:13.509592
• Title: Negational Symmetry of Quantum Neural Networks for Binary Pattern Classification
• Title（参考訳）: 二項パターン分類のための量子ニューラルネットワークの否定対称性
• Authors: Nanqing Dong, Michael Kampffmeyer, Irina Voiculescu, Eric Xing
• Abstract要約: 量子ニューラルネットワーク(QNN)は、単純な機械学習タスクを解く上で有望な結果を示している。 本稿では,量子二分法と量子表現学習の両面において,QNNに埋め込まれた新しい不変形式を提示し,解析する。 Googleの量子コンピューティングフレームワークを用いて、二項パターン分類タスクにおけるQNNの否定対称性を実証的に評価する。
• 参考スコア（独自算出の注目度）: 10.0076368843188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entanglement is a physical phenomenon, which has fueled recent successes of quantum algorithms. Although quantum neural networks (QNNs) have shown promising results in solving simple machine learning tasks recently, for the time being, the effect of entanglement in QNNs and the behavior of QNNs in binary pattern classification are still underexplored. In this work, we provide some theoretical insight into the properties of QNNs by presenting and analyzing a new form of invariance embedded in QNNs for both quantum binary classification and quantum representation learning, which we term negational symmetry. Given a quantum binary signal and its negational counterpart where a bitwise NOT operation is applied to each quantum bit of the binary signal, a QNN outputs the same logits. That is to say, QNNs cannot differentiate a quantum binary signal and its negational counterpart in a binary classification task. We further empirically evaluate the negational symmetry of QNNs in binary pattern classification tasks using Google's quantum computing framework. The theoretical and experimental results suggest that negational symmetry is a fundamental property of QNNs, which is not shared by classical models. Our findings also imply that negational symmetry is a double-edged sword in practical quantum applications.
• Abstract（参考訳）: 絡み合いは物理現象であり、近年の量子アルゴリズムの成功に拍車をかけた。 量子ニューラルネットワーク(QNN)は、最近、単純な機械学習タスクを解くための有望な結果を示しているが、今のところ、QNNにおける絡み合いの影響と、バイナリパターン分類におけるQNNの挙動は、まだ未定である。 本稿では,量子二分法と量子表現学習の両面において,QNNに埋め込まれた新しい不変形式を提示し,解析することにより,QNNの特性に関する理論的知見を提供する。 量子二乗信号とその否定的信号が与えられたとき、ビットワイズNOT演算が二乗信号の各量子ビットに適用され、QNNは同じロジットを出力する。 つまり、QNNは二項分類タスクにおいて量子二項信号とその否定的信号とを区別することはできない。 さらに,googleの量子コンピューティングフレームワークを用いて,バイナリパターン分類タスクにおけるqnnの否定対称性を実験的に評価する。 理論的および実験的結果は、否定対称性が古典的モデルでは共有されないQNNの基本的性質であることを示唆している。 また, 実用量子応用において, 否定対称性は二重刃剣であることも示唆した。

関連論文リスト

• Resource-efficient equivariant quantum convolutional neural networks [0.0]
  本研究では、同変分割並列化QCNN(sp-QCNN)と呼ばれる同変量子畳み込みニューラルネットワーク(QCNN)の資源効率モデルを提案する。 グループ理論的アプローチを用いて、以前のsp-QCNNで対処された翻訳対称性を超えて、一般対称性をモデルにエンコードする。 この結果は,実用的な量子機械学習アルゴリズムの進歩に寄与する。
  論文  参考訳（メタデータ） (2024-10-02T05:51:33Z)
• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• 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)
• Theory for Equivariant Quantum Neural Networks [0.0]
  本質的に任意の対称性群に対して等変量子ニューラルネットワーク(EQNN)を設計するための理論的枠組みを提案する。 私たちのフレームワークは、量子機械学習のほぼすべての領域に簡単に適用できます。
  論文  参考訳（メタデータ） (2022-10-16T15:42:21Z)
• 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)
• Evaluating the performance of sigmoid quantum perceptrons in quantum neural networks [0.0]
  量子機械学習のための有望なアーキテクチャとして量子ニューラルネットワーク(QNN)が提案されている。 1つの候補は古典的パーセプトロンの非線形活性化関数をエミュレートするために設計された量子パーセプトロンである。 本稿では,SQPネットワークの性能と性能を,その有効次元と有効容量の計算によって評価する。
  論文  参考訳（メタデータ） (2022-08-12T10:08:11Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• 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)

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。