論文の概要: Mutual Reinforcement between Neural Networks and Quantum Physics
- arxiv url: http://arxiv.org/abs/2105.13273v2
- Date: Mon, 14 Feb 2022 18:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 07:04:08.850185
- Title: Mutual Reinforcement between Neural Networks and Quantum Physics
- Title（参考訳）: ニューラルネットワークと量子物理学の相互強化
- Authors: Yue Ban, Javier Echanobe, Erik Torrontegui, Jorge Casanova
- Abstract要約: 量子機械学習は、量子力学と機械学習の共生から生まれる。
古典的な機械学習を量子物理学問題に適用するためのツールとして使う。
量子パーセプトロンの力学に基づく量子ニューラルネットワークの設計と、短絡の断熱への応用は、短時間の動作時間と堅牢な性能をもたらす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning emerges from the symbiosis of quantum mechanics and
machine learning. In particular, the latter gets displayed in quantum sciences
as: (i) the use of classical machine learning as a tool applied to quantum
physics problems, (ii) or the use of quantum resources such as superposition,
entanglement, or quantum optimization protocols to enhance the performance of
classification and regression tasks compare to their classical counterparts.
This paper reviews examples in these two scenarios. On the one hand, a
classical neural network is applied to design a new quantum sensing protocol.
On the other hand, the design of a quantum neural network based on the dynamics
of a quantum perceptron with the application of shortcuts to adiabaticity gives
rise to a short operation time and robust performance. These examples
demonstrate the mutual reinforcement of both neural networks and quantum
physics.
- Abstract（参考訳）: 量子機械学習は、量子力学と機械学習の共生から生まれる。
特に後者は量子科学で次のように表示されます。
(i)古典的機械学習を量子物理学問題に適用するツールとして用いること。
(ii)又は重ね合わせ、絡み合い、量子最適化プロトコルなどの量子資源の使用により、分類や回帰タスクの性能が従来のものと比較して向上する。
この2つのシナリオの例をレビューする。
一方で、新しい量子センシングプロトコルを設計するために、古典的なニューラルネットワークが適用される。
一方、量子パーセプトロンのダイナミクスに基づく量子ニューラルネットワークの設計は、断熱性へのショートカットの適用により、動作時間の短縮とロバストな性能をもたらす。
これらの例は、ニューラルネットワークと量子物理学の相互強化を示している。
関連論文リスト
- Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers [0.9374652839580181]
最初の考慮事項の1つは、量子機械学習モデル自体の設計である。
最近の研究は、スピードアップによる量子アドバンテージが量子機械学習の正しい目標かどうかを疑問視し始めた。
本稿では,古典的なディープラーニングアルゴリズムの設計を量子ニューラルネットワークの設計に取り入れることで,代替手法を提案する。
論文 参考訳（メタデータ） (2024-07-19T06:31:22Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。
また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。
量子ニューラルネットワークの潜在的な利点を例に挙げる。
論文 参考訳（メタデータ） (2024-02-22T16:48:17Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Quantum Methods for Neural Networks and Application to Medical Image
Classification [5.817995726696436]
ニューラルネットワークのための新しい量子法を2つ導入する。
1つ目は、量子ピラミッド回路に基づく量子直交ニューラルネットワークである。
第2の方法は量子支援ニューラルネットワークであり、量子コンピュータを用いて内部積推定を行う。
論文 参考訳（メタデータ） (2022-12-14T18:17:19Z) - 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) - Quantum Neural Network Classifiers: A Tutorial [1.4567067583556714]
我々は、パラメータ化量子回路の形で量子ニューラルネットワークに焦点を当てる。
我々は主に、教師付き学習タスクのための量子ニューラルネットワークの異なる構造と符号化戦略について議論する。
Julia言語で記述された量子シミュレーションパッケージであるYoo.jlを使って、パフォーマンスをベンチマークする。
論文 参考訳（メタデータ） (2022-06-06T18:00:01Z) - Quantum neural networks force fields generation [0.0]
量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。
量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
論文 参考訳（メタデータ） (2022-03-09T12:10:09Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳（メタデータ） (2020-10-21T09:46:12Z) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳（メタデータ） (2020-10-13T06:57:17Z)
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。