Fugu-MT 論文翻訳(概要): Quantum Bayesian Neural Networks

論文の概要: Quantum Bayesian Neural Networks

arxiv url: http://arxiv.org/abs/2107.09599v1
Date: Tue, 20 Jul 2021 16:19:55 GMT
ステータス: 処理完了
システム内更新日: 2023-03-21 11:58:24.867515
Title: Quantum Bayesian Neural Networks
Title（参考訳）: 量子ベイズ型ニューラルネットワーク
Authors: Noah Berner, Vincent Fortuin, Jonas Landman
Abstract要約: ベイズ型ニューラルネットワーク推論のための量子アルゴリズムを提案する。我々は,アルゴリズムが真の後方井戸を近似するのに対して,繰り返し計算を行う必要はないことを見出した。
参考スコア（独自算出の注目度）: 6.649910168731417
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum machine learning promises great speedups over classical algorithms, but it often requires repeated computations to achieve a desired level of accuracy for its point estimates. Bayesian learning focuses more on sampling from posterior distributions than on point estimation, thus it might be more forgiving in the face of additional quantum noise. We propose a quantum algorithm for Bayesian neural network inference, drawing on recent advances in quantum deep learning, and simulate its empirical performance on several tasks. We find that already for small numbers of qubits, our algorithm approximates the true posterior well, while it does not require any repeated computations and thus fully realizes the quantum speedups.
Abstract（参考訳）: 量子機械学習は、古典的なアルゴリズムよりも大きなスピードアップを約束するが、しばしばポイント推定に所望の精度を達成するために繰り返し計算を必要とする。ベイズ学習は、点推定よりも後方分布からのサンプリングに重点を置いているため、追加の量子ノイズに直面した方がよいかもしれない。本稿では,ベイズ型ニューラルネットワーク推論のための量子アルゴリズムを提案し,量子深層学習の最近の進歩を考察し,その経験的性能を複数のタスクでシミュレーションする。すでに少数の量子ビットに対して、我々のアルゴリズムは真の後方井戸を近似しているが、繰り返し計算を必要としないため、量子スピードアップを完全に実現している。

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)
Simulating the quantum Fourier transform, Grover's algorithm, and the quantum counting algorithm with limited entanglement using tensor-networks [0.0]
我々は、限られた絡み合いを持つ量子アルゴリズムの実行をシミュレートする。絡み合いが幾分小さくても,アルゴリズムは高い忠実度で実行可能であることがわかった。我々の結果は、将来の量子コンピュータ上でこれらのアルゴリズムを実行することを約束している。
論文参考訳（メタデータ） (2023-04-04T12:42:18Z)
Learning Quantum Processes with Memory -- Quantum Recurrent Neural Networks [0.0]
本稿では,散逸性量子ニューラルネットワークに基づく完全量子リカレントニューラルネットワークを提案する。これらのアルゴリズムが複雑な量子過程をメモリで学習する可能性を実証する。数値シミュレーションにより、我々の量子リカレントニューラルネットワークは、小さなトレーニングセットから一般化する顕著な能力を示すことが示された。
論文参考訳（メタデータ） (2023-01-19T16:58:39Z)
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 Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。我々は距離の計算を高速化するために量子現象を利用する。我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文参考訳（メタデータ） (2022-12-13T16:04:16Z)
Iterative Qubits Management for Quantum Index Searching in a Hybrid System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。我々はQiskitでIQuCSを実装し、集中的な実験を行う。その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文参考訳（メタデータ） (2022-09-22T21:54:28Z)
Improved maximum-likelihood quantum amplitude estimation [0.0]
量子推定は、量子強化モンテカルロシミュレーションや量子機械学習など、多数の強力な量子アルゴリズムにおいて重要なサブルーチンである。本稿では,最大形量子振幅推定 (MLQAE) の解析をさらに深め,量子回路深度が制限されるシナリオを含むより規範的な形式にアルゴリズムを配置する。次に,この問題を克服するアルゴリズムの修正を提案し,数値的に検証し,近・中期量子ハードウェアにおける実用的サブルーチンとしての有用性をさらに高める。
論文参考訳（メタデータ） (2022-09-07T17:30:37Z)
Quantum Bayes AI [1.7403133838762443]
量子ベイズAI(Quantum Bayesian AI, Q-B)は、量子コンピューティングで利用可能な計算ゲインを補う新興分野である。我々は、古典的および量子的確率の双対性を提供して、後続の関心量の計算を行う。本稿では,2つの単純な分類アルゴリズム上での量子アルゴリズムの挙動について述べる。
論文参考訳（メタデータ） (2022-08-17T04:51:10Z)
Entanglement and coherence in Bernstein-Vazirani algorithm [58.720142291102135]
Bernstein-Vaziraniアルゴリズムは、オラクルに符号化されたビット文字列を決定できる。我々はベルンシュタイン・ヴァジラニアルゴリズムの量子資源を詳細に分析する。絡み合いがない場合、初期状態における量子コヒーレンス量とアルゴリズムの性能が直接関係していることが示される。
論文参考訳（メタデータ） (2022-05-26T20:32:36Z)
Quantum Algorithms for Unsupervised Machine Learning and Neural Networks [2.28438857884398]
行列積や距離推定といったタスクを解くために量子アルゴリズムを導入する。これらの結果は、教師なし機械学習のための新しい量子アルゴリズムの開発に使用される。また、ニューラルネットワークやディープラーニングのための新しい量子アルゴリズムも提示します。
論文参考訳（メタデータ） (2021-11-05T16:36:09Z)
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)

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。