論文の概要: Exploration of Quantum Neural Architecture by Mixing Quantum Neuron Designs

• arxiv url: http://arxiv.org/abs/2109.03806v1
• Date: Wed, 8 Sep 2021 17:47:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 13:39:52.041173
• Title: Exploration of Quantum Neural Architecture by Mixing Quantum Neuron Designs
• Title（参考訳）: 量子ニューロン設計の混合による量子ニューラルアーキテクチャの探索
• Authors: Zhepeng Wang, Zhiding Liang, Shanglin Zhou, Caiwen Ding, Jinjun Xiong, Yiyu Shi, Weiwen Jiang
• Abstract要約: 本稿では、量子ニューロン設計を混合して量子ニューラルアーキテクチャを構築するための最初の試みを行う。 既存の量子ニューロンの設計は、変動量子回路(VQC)や量子フロー(QuantumFlow)のニューロンなど、かなり異なるが相補的なものである。 我々はこれらを混ぜ合わせて,コストのかかる測定を伴わずにシームレスに接続する方法を提案する。
• 参考スコア（独自算出の注目度）: 23.747282946165097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the constant increase of the number of quantum bits (qubits) in the actual quantum computers, implementing and accelerating the prevalent deep learning on quantum computers are becoming possible. Along with this trend, there emerge quantum neural architectures based on different designs of quantum neurons. A fundamental question in quantum deep learning arises: what is the best quantum neural architecture? Inspired by the design of neural architectures for classical computing which typically employs multiple types of neurons, this paper makes the very first attempt to mix quantum neuron designs to build quantum neural architectures. We observe that the existing quantum neuron designs may be quite different but complementary, such as neurons from variation quantum circuits (VQC) and Quantumflow. More specifically, VQC can apply real-valued weights but suffer from being extended to multiple layers, while QuantumFlow can build a multi-layer network efficiently, but is limited to use binary weights. To take their respective advantages, we propose to mix them together and figure out a way to connect them seamlessly without additional costly measurement. We further investigate the design principles to mix quantum neurons, which can provide guidance for quantum neural architecture exploration in the future. Experimental results demonstrate that the identified quantum neural architectures with mixed quantum neurons can achieve 90.62% of accuracy on the MNIST dataset, compared with 52.77% and 69.92% on the VQC and QuantumFlow, respectively.
• Abstract（参考訳）: 量子コンピュータにおける量子ビット数(量子ビット)の定常的な増加に伴い、量子コンピュータ上で広く普及するディープラーニングの実装と高速化が実現されつつある。 この傾向とともに、量子ニューロンの異なる設計に基づく量子ニューラルネットワークアーキテクチャが出現する。 量子深層学習における基本的な疑問: 最高の量子ニューラルアーキテクチャとは何か? この論文は、複数の種類のニューロンを用いる古典コンピューティングのためのニューラルアーキテクチャの設計に触発され、量子ニューラルアーキテクチャを構築するために量子ニューロンの設計を混合する最初の試みである。 既存の量子ニューロンの設計は、変動量子回路(vqc)のニューロンや量子フローなど、かなり異なるが相補的である可能性がある。 より具体的には、vqcは実数値重みを適用できるが、複数の層に拡張されるのに苦しむ一方で、quantumflowは効率的に多層ネットワークを構築することができるが、バイナリ重みの使用に制限される。 それぞれの利点を活かすため、我々はそれらを混ぜ合わせて、コストのかかる測定を伴わずにシームレスに接続する方法を模索する。 さらに、将来量子ニューラルアーキテクチャ探索のためのガイダンスを提供する量子ニューロンを混合する設計原理について検討する。 実験の結果、混合量子ニューロンを持つ量子ニューラルネットワークは、それぞれVQCとQuantumFlowで52.77%、69.92%の精度でMNISTデータセットで90.62%の精度を達成できることが示された。

関連論文リスト

• What is my quantum computer good for? Quantum capability learning with physics-aware neural networks [0.0]
  本稿では,学習能力モデルのための量子物理学的ニューラルネットワークアーキテクチャを提案する。 我々のアーキテクチャは、量子プログラムにおけるエラーの物理に対する効率的な近似とグラフニューラルネットワークの側面を組み合わせる。 このアプローチは、実験データとシミュレーションデータの両方における平均絶対誤差を最大$sim50%$還元する。
  論文  参考訳（メタデータ） (2024-06-09T04:11:41Z)
• 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)
• 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)
• Parametrized constant-depth quantum neuron [56.51261027148046]
  本稿では,カーネルマシンをベースとした量子ニューロン構築フレームワークを提案する。 ここでは、指数的に大きい空間にテンソル積特徴写像を適用するニューロンについて述べる。 パラメトリゼーションにより、提案されたニューロンは、既存のニューロンが適合できない基礎となるパターンを最適に適合させることができることが判明した。
  論文  参考訳（メタデータ） (2022-02-25T04:57:41Z)
• A Hybrid Quantum-Classical Neural Network Architecture for Binary Classification [0.0]
  本稿では,各ニューロンが変動量子回路であるハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 シミュレーションハードウェアでは、ハイブリッドニューラルネットワークは、個々の変動量子回路よりも約10%高い分類精度とコストの20%の最小化を実現している。
  論文  参考訳（メタデータ） (2022-01-05T21:06:30Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  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。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• On quantum neural networks [91.3755431537592]
  量子ニューラルネットワークの概念は、その最も一般的な関数の観点から定義されるべきである。 我々の推論は、量子力学におけるファインマン経路積分定式化の利用に基づいている。
  論文  参考訳（メタデータ） (2021-04-12T18:30:30Z)
• QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity [13.152233840194473]
  本稿では,量子ニューラルネットワークQuClassiを提案する。 量子微分関数とハイブリッド量子古典設計により、QuClassiはデータを量子ビットでエンコードし、量子回路を生成し、最良の状態のために量子プラットフォームにプッシュする。
  論文  参考訳（メタデータ） (2021-03-21T05:28:37Z)
• Nonlinear Quantum Neuron: A Fundamental Building Block for Quantum Neural Networks [5.067768639196139]
  量子コンピューティングにより、量子ニューラルネットワーク(QNN)は、人工ニューラルネットワーク(ANN)を超える大きな可能性を持つ。 QNNに関連する様々なモデルが開発されているが、ニューラルネットワークの非線形で散逸的なダイナミクスを線形でユニタリな量子システムにマージするという課題に直面している。 非線形関数を近似するために異なる量子回路を構築し、任意の非線形量子ニューロンを実現するための一般化可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-06T15:25:52Z)
• 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)

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。