Fugu-MT 論文翻訳(概要): Quantum Federated Learning with Quantum Data

論文の概要: Quantum Federated Learning with Quantum Data

arxiv url: http://arxiv.org/abs/2106.00005v1
Date: Sun, 30 May 2021 12:19:27 GMT
ステータス: 処理完了
システム内更新日: 2021-06-02 14:03:19.416605
Title: Quantum Federated Learning with Quantum Data
Title（参考訳）: 量子データを用いた量子フェデレーション学習
Authors: Mahdi Chehimi and Walid Saad
Abstract要約: 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。
参考スコア（独自算出の注目度）: 87.49715898878858
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum machine learning (QML) has emerged as a promising field that leans on the developments in quantum computing to explore large complex machine learning problems. Recently, some purely quantum machine learning models were proposed such as the quantum convolutional neural networks (QCNN) to perform classification on quantum data. However, all of the existing QML models rely on centralized solutions that cannot scale well for large-scale and distributed quantum networks. Hence, it is apropos to consider more practical quantum federated learning (QFL) solutions tailored towards emerging quantum network architectures. Indeed, developing QFL frameworks for quantum networks is critical given the fragile nature of computing qubits and the difficulty of transferring them. On top of its practical momentousness, QFL allows for distributed quantum learning by leveraging existing wireless communication infrastructure. This paper proposes the first fully quantum federated learning framework that can operate over quantum data and, thus, share the learning of quantum circuit parameters in a decentralized manner. First, given the lack of existing quantum federated datasets in the literature, the proposed framework begins by generating the first quantum federated dataset, with a hierarchical data format, for distributed quantum networks. Then, clients sharing QCNN models are fed with the quantum data to perform a classification task. Subsequently, the server aggregates the learnable quantum circuit parameters from clients and performs federated averaging. Extensive experiments are conducted to evaluate and validate the effectiveness of the proposed QFL solution. This work is the first to combine Google's TensorFlow Federated and TensorFlow Quantum in a practical implementation.
Abstract（参考訳）: 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。近年、量子データの分類を行うために量子畳み込みニューラルネットワーク(QCNN)などの純粋量子機械学習モデルが提案されている。しかし、既存のQMLモデルはすべて、大規模かつ分散量子ネットワークではうまくスケールできない集中型ソリューションに依存している。したがって、新しい量子ネットワークアーキテクチャに合わせた、より実用的な量子フェデレーション学習(qfl)ソリューションを考えることが望ましい。実際、量子ネットワークのためのqflフレームワークの開発は、計算キュービットの脆弱な性質とそれらの転送の難しさから、非常に重要である。 QFLはその実用的重要性に加えて、既存の無線通信インフラを活用して分散量子学習を可能にする。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。まず、文献に既存の量子フェデレーションデータセットがないことを考慮し、提案されたフレームワークは、分散量子ネットワークのための階層的なデータ形式を持つ最初の量子フェデレーションデータセットを生成することから始まる。そして、QCNNモデルを共有するクライアントに量子データを送り、分類タスクを実行する。その後、サーバは、学習可能な量子回路パラメータをクライアントから集約し、フェデレーション平均化を行う。提案するqfl溶液の有効性を評価し検証するために,広範な実験を行った。この作業は、GoogleのTensorFlow FederatedとTensorFlow Quantumを実践的に組み合わせた初めてのものだ。

関連論文リスト

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)
Foundations of Quantum Federated Learning Over Classical and Quantum Networks [59.121263013213756]
量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。 QFLは古典的通信網と量子的通信網の両方に展開できる。
論文参考訳（メタデータ） (2023-10-23T02:56:00Z)
Entanglement-Assisted Quantum Networks: Mechanics, Enabling Technologies, Challenges, and Research Directions [66.27337498864556]
本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
論文参考訳（メタデータ） (2023-07-24T02:48:22Z)
Quantum Federated Learning for Distributed Quantum Networks [9.766446130011706]
本稿では,量子力学の興味深い特徴を利用した分散量子ネットワークのための量子フェデレーション学習を提案する。分散量子ネットワーク内のクライアントがローカルモデルをトレーニングするのを助けるために、量子勾配降下アルゴリズムが提供される。量子セキュアなマルチパーティ計算プロトコルを設計し,中国の残差定理を用いた。
論文参考訳（メタデータ） (2022-12-25T14:37:23Z)
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)
Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文参考訳（メタデータ） (2022-09-16T02:37:32Z)
Scalable Quantum Neural Networks for Classification [11.839990651381617]
本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。 SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
論文参考訳（メタデータ） (2022-08-04T20:35:03Z)
Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。 NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文参考訳（メタデータ） (2021-09-08T02:20:13Z)
QuantumFed: A Federated Learning Framework for Collaborative Quantum Training [10.635097939284751]
本稿では,複数の量子ノードを持つ量子連合学習フレームワークであるQuantumFedを提案する。我々の実験は、我々のフレームワークの実現可能性と堅牢性を示している。
論文参考訳（メタデータ） (2021-06-16T20:28:11Z)
TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
論文参考訳（メタデータ） (2020-03-06T01:31:43Z)

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。