論文の概要: RoQNN: Noise-Aware Training for Robust Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2110.11331v1
- Date: Thu, 21 Oct 2021 17:59:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 17:02:36.007063
- Title: RoQNN: Noise-Aware Training for Robust Quantum Neural Networks
- Title（参考訳）: RoQNN:ロバスト量子ニューラルネットワークのためのノイズアウェアトレーニング
- Authors: Hanrui Wang, Jiaqi Gu, Yongshan Ding, Zirui Li, Frederic T. Chong,
David Z. Pan, Song Han
- Abstract要約: 量子ニューラルネットワーク(QNN)は、短期量子ハードウェアにおける量子優位性に向けた有望なアプリケーションである。
しかし、大きな量子ノイズ(エラー)のため、QNNモデルの性能は実際の量子デバイスで著しく低下する。
本稿では,QNN固有のフレームワークであるRoQNNを提案する。
- 参考スコア（独自算出の注目度）: 21.056759238537236
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Neural Network (QNN) is a promising application towards quantum
advantage on near-term quantum hardware. However, due to the large quantum
noises (errors), the performance of QNN models has a severe degradation on real
quantum devices. For example, the accuracy gap between noise-free simulation
and noisy results on IBMQ-Yorktown for MNIST-4 classification is over 60%.
Existing noise mitigation methods are general ones without leveraging unique
characteristics of QNN and are only applicable to inference; on the other hand,
existing QNN work does not consider noise effect. To this end, we present
RoQNN, a QNN-specific framework to perform noise-aware optimizations in both
training and inference stages to improve robustness. We analytically deduct and
experimentally observe that the effect of quantum noise to QNN measurement
outcome is a linear map from noise-free outcome with a scaling and a shift
factor. Motivated by that, we propose post-measurement normalization to
mitigate the feature distribution differences between noise-free and noisy
scenarios. Furthermore, to improve the robustness against noise, we propose
noise injection to the training process by inserting quantum error gates to QNN
according to realistic noise models of quantum hardware. Finally,
post-measurement quantization is introduced to quantize the measurement
outcomes to discrete values, achieving the denoising effect. Extensive
experiments on 8 classification tasks using 6 quantum devices demonstrate that
RoQNN improves accuracy by up to 43%, and achieves over 94% 2-class, 80%
4-class, and 34% 10-class MNIST classification accuracy measured on real
quantum computers. We also open-source our PyTorch library for construction and
noise-aware training of QNN at https://github.com/mit-han-lab/pytorch-quantum .
- Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、短期量子ハードウェアにおける量子優位性に向けた有望なアプリケーションである。
しかし、大きな量子ノイズ(エラー)のため、QNNモデルの性能は実際の量子デバイスで著しく低下する。
例えば、mnist-4分類におけるibmq-yorktownのノイズフリーシミュレーションとノイズ評価の精度ギャップは60%以上である。
既存のノイズ低減手法はQNNの特徴を活かさずに一般的な手法であり、推論にのみ適用可能であるが、既存のQNNではノイズ効果を考慮していない。
そこで本研究では,ロバスト性を改善するために,学習段階と推論段階の両方において雑音認識最適化を行うqnnに特化したフレームワークであるroqnnを提案する。
我々は,QNN測定結果に対する量子ノイズの影響を,スケーリングとシフト係数による雑音のない結果から線形マップとして解析し,実験的に観察した。
そこで本研究では,ノイズフリーシナリオとノイズフリーシナリオの特徴分布差を軽減するために,測定後の正規化を提案する。
さらに,ノイズに対するロバスト性を向上させるために,量子ハードウェアの現実的なノイズモデルに従ってqnnに量子エラーゲートを挿入することにより,学習プロセスへのノイズ注入を提案する。
最後に、測定結果を離散値に定量化するために測定後の量子化を導入し、復調効果を達成する。
6つの量子デバイスを用いた8つの分類タスクに関する広範囲な実験により、roqnnは精度を最大43%向上させ、94%以上の2クラス、80%の4クラス、34%の10クラスのmnist分類精度を実際の量子コンピュータで測定した。
また、QNNの構成とノイズを意識したトレーニングのためのPyTorchライブラリをhttps://github.com/mit-han-lab/pytorch-quantum でオープンソースにしています。
関連論文リスト
- Diffusion-Inspired Quantum Noise Mitigation in Parameterized Quantum Circuits [10.073911279652918]
量子ノイズと拡散モデルの関係について検討する。
本稿では,PQCにおける量子ノイズを軽減するために,拡散に着想を得た新しい学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-02T19:35:38Z) - Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation
via Neural Networks [0.4779196219827508]
変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。
量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。
本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-10T15:35:41Z) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - 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) - Quantum Conformal Prediction for Reliable Uncertainty Quantification in
Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。
本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文 参考訳（メタデータ） (2023-04-06T22:05:21Z) - Noise-robust ground state energy estimates from deep quantum circuits [0.0]
量子アルゴリズムにおいて、基礎となるエネルギー推定が不整合ノイズを明示的に除去する方法を示す。
我々はIBM Quantumハードウェア上で量子磁性のモデルとしてQCMを実装した。
QCMはVQEが完全に失敗する極めて高いエラー堅牢性を維持している。
論文 参考訳（メタデータ） (2022-11-16T09:12:55Z) - Variational Quantum Pulse Learning [28.040754288931897]
本稿では,学習タスクに量子パルスを直接学習するための新しいパラダイムである変分量子パルス(VQP)を提案する。
VQPは、最適化フレームワークにおいて、パルスの振幅を引いて押すことで変動量子パルスを操作する。
我々は,NISQ(ノイズ中間量子)コンピュータにおけるノイズに対する頑健性を維持している。
論文 参考訳（メタデータ） (2022-03-31T17:58:13Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z) - Simulating noisy variational quantum eigensolver with local noise models [4.581041382009666]
変分量子固有解法 (VQE) は, 近時雑音中規模量子コンピュータにおいて量子優位性を示すことを約束している。
VQEの中心的な問題はノイズ、特に物理ノイズが現実的な量子コンピュータに与える影響である。
本稿では,様々な局所雑音モデルを用いた数値シミュレーションにより,VQEアルゴリズムの雑音効果を系統的に検討する。
論文 参考訳（メタデータ） (2020-10-28T08:51:59Z) - 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。