論文の概要: Dissipative quantum generative adversarial networks
- arxiv url: http://arxiv.org/abs/2112.06088v1
- Date: Sat, 11 Dec 2021 22:59:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-04 20:31:20.786277
- Title: Dissipative quantum generative adversarial networks
- Title（参考訳）: 散逸性量子生成逆数ネットワーク
- Authors: Kerstin Beer, Gabriel M\"uller
- Abstract要約: 2つの散逸型量子ニューラルネットワーク(DQNN)を用いた生成逆モデルを構築する。
両部を競争的に訓練することで,よく訓練されたDQNNが得られることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noisy intermediate-scale quantum (NISQ) devices build the first generation of
quantum computers. Quantum neural networks (QNNs) gained high interest as one
of the few suitable quantum algorithms to run on these NISQ devices. Most of
the QNNs exploit supervised training algorithms with quantum states in form of
pairs to learn their underlying relation. However, only little attention has
been given to unsupervised training algorithms despite interesting applications
where the quantum data does not occur in pairs. Here we propose an approach to
unsupervised learning and reproducing characteristics of any given set of
quantum states. We build a generative adversarial model using two dissipative
quantum neural networks (DQNNs), leading to the dissipative quantum generative
adversarial network (DQGAN). The generator DQNN aims to produce quantum states
similar to the training data while the discriminator DQNN aims to distinguish
the generator's output from the training data. We find that training both parts
in a competitive manner results in a well trained generative DQNN. We see our
contribution as a proof of concept for using DQGANs to learn and extend
unlabeled training sets.
- Abstract（参考訳）: ノイズの多い中間スケール量子(NISQ)デバイスは、第1世代の量子コンピュータを構築する。
量子ニューラルネットワーク(QNN)は、これらのNISQデバイス上で動作する数少ない量子アルゴリズムの1つである。
ほとんどのQNNは、量子状態を持つ教師付きトレーニングアルゴリズムを利用して、その基礎となる関係を学習している。
しかし、量子データがペアで発生しない興味深い応用にもかかわらず、教師なしのトレーニングアルゴリズムにはほとんど注意が払われていない。
本稿では,任意の量子状態の教師なし学習と再現特性に対するアプローチを提案する。
2つの散逸量子ニューラルネットワーク(dqnns)を用いて生成逆モデルを構築し,散逸量子生成逆ニューラルネットワーク(dqgan)を導出する。
ジェネレータdqnnは、トレーニングデータに似た量子状態の生成を目標とし、判別器dqnnは、ジェネレータの出力をトレーニングデータと区別することを目指している。
両部を競争的に訓練することで,よく訓練されたDQNNが得られることがわかった。
我々の貢献は、DQGANを使ってラベルなしのトレーニングセットを学習し拡張するための概念実証であると考えています。
関連論文リスト
- Dissipation-driven quantum generative adversarial networks [11.833077116494929]
本稿では,従来のデータ生成に適した,分散駆動型量子生成逆数ネットワーク(DQGAN)アーキテクチャを提案する。
古典データは、強い調整された散逸過程を通じて入力層の入力量子ビットに符号化される。
出力量子ビットの定常状態の可観測値を測定することにより、生成されたデータと分類結果の両方を抽出する。
論文 参考訳（メタデータ） (2024-08-28T07:41:58Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - 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) - Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。
本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文 参考訳（メタデータ） (2022-05-17T07:47:00Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - 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) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳（メタデータ） (2021-04-30T20:38:41Z) - Training Quantum Neural Networks on NISQ Devices [0.0]
我々は,IBMのNISQデバイス上での2つの量子ニューラルネットワーク(QNN)アーキテクチャの耐雑音性を評価する。
DQNNは未知のユニタリをQAOAよりも確実に学習し,ゲートノイズの影響を受けにくいことがわかった。
論文 参考訳（メタデータ） (2021-04-13T10:34:03Z) - 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。