Fugu-MT 論文翻訳(概要): Quantifying scrambling in quantum neural networks

論文の概要: Quantifying scrambling in quantum neural networks

arxiv url: http://arxiv.org/abs/2112.01440v2
Date: Fri, 7 Jan 2022 20:44:30 GMT
ステータス: 処理完了
システム内更新日: 2023-03-06 02:10:43.853778
Title: Quantifying scrambling in quantum neural networks
Title（参考訳）: 量子ニューラルネットワークにおけるスクランブルの定量化
Authors: Roy J. Garcia, Kaifeng Bu, Arthur Jaffe
Abstract要約: ネットワークのスクランブル特性の観点で量子ニューラルネットワークの誤差を、アウトオブタイムの順序付き相関器を介して特徴づける。我々の結果は、量子ニューラルネットワークにおける量子カオスの探索の道を開いた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We characterize a quantum neural network's error in terms of the network's scrambling properties via the out-of-time-ordered correlator. A network can be trained by optimizing either a loss function or a cost function. We show that, with some probability, both functions can be bounded by out-of-time-ordered correlators. The gradients of these functions can be bounded by the gradient of the out-of-time-ordered correlator, demonstrating that the network's scrambling ability governs its trainability. Our results pave the way for the exploration of quantum chaos in quantum neural networks.
Abstract（参考訳）: 我々は,ネットワークのスクランブル特性の観点から量子ニューラルネットワークの誤りを,時間外のコリレータを用いて特徴付ける。損失関数またはコスト関数を最適化することにより、ネットワークを訓練することができる。確率的に、両方の関数は時間外のコリケータによって境界づけられることを示す。これらの関数の勾配は、時間外のコリレータの勾配によって境界づけられ、ネットワークのスクランブル能力がそのトレーサビリティを制御することを示している。我々の結果は、量子ニューラルネットワークにおける量子カオスの探索の道を開いた。

関連論文リスト

CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文参考訳（メタデータ） (2024-08-28T00:56:03Z)
Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。トラクタブル回路において,これを効率的に計算する方法を示す。我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文参考訳（メタデータ） (2023-02-28T00:04:22Z)
On the explainability of quantum neural networks based on variational quantum circuits [0.0]
リッジ関数は、ニューラルネットワークによって行われる近似の下限を記述し、研究するために用いられる。変動量子回路に基づく量子ニューラルネットワークは、リッジ関数の線形結合として記述できることを示す。
論文参考訳（メタデータ） (2023-01-12T18:46:28Z)
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)
Rapid training of quantum recurrent neural network [26.087244189340858]
本稿では,これらの障害に対処する量子リカレントニューラルネットワーク(QRNN)を提案する。ネットワークの設計は連続変数量子コンピューティングのパラダイムに基づいている。数値シミュレーションにより、QRNNは古典的ネットワークよりも少ないエポックで最適な重みに収束していることが示された。
論文参考訳（メタデータ） (2022-07-01T12:29:33Z)
Analytic theory for the dynamics of wide quantum neural networks [7.636414695095235]
本研究では,変分量子機械学習モデルの学習誤差に対する勾配降下のダイナミクスについて検討する。ランダムな量子回路では、残差トレーニング誤差の指数的減衰をシステムのパラメータの関数として予測し、特徴付ける。
論文参考訳（メタデータ） (2022-03-30T23:24:06Z)
Quantum activation functions for quantum neural networks [0.0]
情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
論文参考訳（メタデータ） (2022-01-10T23:55:49Z)
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)
Quantum neural networks with multi-qubit potentials [0.0]
量子パーセプトロンにおけるマルチキュービットポテンシャルの存在は、より効率的な情報処理タスクを可能にすることを示す。このネットワークアーキテクチャの単純化は、接続性の問題に対処し、量子ニューラルネットワークをスケールアップする道を開く。
論文参考訳（メタデータ） (2021-05-06T15:30:06Z)
The Connection Between Approximation, Depth Separation and Learnability in Neural Networks [70.55686685872008]
学習可能性と近似能力の関係について検討する。対象関数の深いネットワークでの学習性は、より単純なクラスがターゲットを近似する能力に依存することを示す。
論文参考訳（メタデータ） (2021-01-31T11:32:30Z)
Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。