論文の概要: Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study on QuantumFlow

• arxiv url: http://arxiv.org/abs/2109.03430v1
• Date: Wed, 8 Sep 2021 04:43:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 03:04:52.356621
• Title: Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study on QuantumFlow
• Title（参考訳）: 量子ニューラルネットワークで量子ビットのノイズを学習できるか? 量子フローに関するケーススタディ
• Authors: Zhiding Liang, Zhepeng Wang, Junhuan Yang, Lei Yang, Jinjun Xiong, Yiyu Shi, Weiwen Jiang
• Abstract要約: 本論文は、別の角度からノイズ問題に取り組むことを目的としている。 一般量子アルゴリズムのための完全量子ビットを作成する代わりに、専用アルゴリズムのノイズ問題を緩和する可能性について検討する。 本稿では、量子ニューラルネットワーク(QNN)を対象とし、トレーニングフェーズにおける誤りを学習し、識別されたQNNモデルがノイズに耐性を持つようにすることを提案する。
• 参考スコア（独自算出の注目度）: 25.408147000243158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the noisy intermediate-scale quantum (NISQ) era, one of the key questions is how to deal with the high noise level existing in physical quantum bits (qubits). Quantum error correction is promising but requires an extensive number (e.g., over 1,000) of physical qubits to create one "perfect" qubit, exceeding the capacity of the existing quantum computers. This paper aims to tackle the noise issue from another angle: instead of creating perfect qubits for general quantum algorithms, we investigate the potential to mitigate the noise issue for dedicate algorithms. Specifically, this paper targets quantum neural network (QNN), and proposes to learn the errors in the training phase, so that the identified QNN model can be resilient to noise. As a result, the implementation of QNN needs no or a small number of additional physical qubits, which is more realistic for the near-term quantum computers. To achieve this goal, an application-specific compiler is essential: on the one hand, the error cannot be learned if the mapping from logical qubits to physical qubits exists randomness; on the other hand, the compiler needs to be efficient so that the lengthy training procedure can be completed in a reasonable time. In this paper, we utilize the recent QNN framework, QuantumFlow, as a case study. Experimental results show that the proposed approach can optimize QNN models for different errors in qubits, achieving up to 28% accuracy improvement compared with the model obtained by the error-agnostic training.
• Abstract（参考訳）: ノイズの多い中間スケール量子(NISQ)時代には、物理量子ビット(量子ビット)に存在する高ノイズレベルをどのように扱うかが重要な問題である。 量子誤り訂正は有望であるが、既存の量子コンピュータの能力を超える1つの「完璧な」量子ビットを生成するために、膨大な数の物理量子ビット(例えば1,000を超える)を必要とする。 本稿では, 一般量子アルゴリズムのための完全量子ビットを生成する代わりに, 排他的アルゴリズムのノイズ問題を緩和する可能性について検討する。 具体的には,量子ニューラルネットワーク(qnn)を対象とし,学習段階での誤差を学習し,同定されたqnnモデルが雑音に耐性を持つようにすることを提案する。 結果として、QNNの実装には、より短期的な量子コンピュータにとってより現実的な物理量子ビットは必要とされない。 この目的を達成するためには、アプリケーション固有のコンパイラが不可欠である。一方、論理キュービットから物理キュービットへのマッピングがランダムである場合、エラーは学習できない。 本稿では,最近のQNNフレームワークであるQuantumFlowをケーススタディとして利用する。 実験の結果,量子ビットの異なる誤りに対してqnnモデルを最適化でき,誤差非依存トレーニングで得られたモデルと比較して,最大28%の精度向上が得られた。

関連論文リスト

• Quantum Neural Network Training of a Repeater Node [0.0]
  現実の量子コンピュータは、量子回路のデコヒーレンスと緩和時間によって特徴付けられる様々な種類のノイズに悩まされる。 スワップ操作を行い、トレーニングされたQNNソリューションと標準スワップゲートを比較するために量子ニューラルネットワーク(QNN)を構築する。 QNNは2つの量子ビットに対して容易に一般化でき、追加のトレーニングなしでより多くの量子ビットにスケールアップできる。
  論文  参考訳（メタデータ） (2024-08-08T18:19:09Z)
• Optimizing Quantum Convolutional Neural Network Architectures for Arbitrary Data Dimension [2.9396076967931526]
  量子畳み込みニューラルネットワーク(QCNN)は量子機械学習において有望なアプローチである。 量子リソースの割り当てを最適化しながら任意の入力データ次元を処理できるQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-28T02:25:12Z)
• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Battle Against Fluctuating Quantum Noise: Compression-Aided Framework to Enable Robust Quantum Neural Network [4.455849458440319]
  量子ビット(量子ビット)のノイズは、量子コンピューティングのパワーを利用する現実世界のアプリケーションにとって依然として障害である。 本稿では,量子ノイズの変動に適応させる新しい圧縮支援フレームワークQuCADを提案する。 ノイズ認識トレーニング手法により,QuCADの精度は平均146日で14.91%向上することを示した。
  論文  参考訳（メタデータ） (2023-04-10T15:42:38Z)
• 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)
• 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)
• Quantum Neuron with Separable-State Encoding [0.0]
  現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。 マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。 シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
  論文  参考訳（メタデータ） (2022-02-16T19:26:23Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• 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。