論文の概要: A Hybrid Quantum-Classical Neural Network Architecture for Binary
Classification
- arxiv url: http://arxiv.org/abs/2201.01820v1
- Date: Wed, 5 Jan 2022 21:06:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 15:46:00.131123
- Title: A Hybrid Quantum-Classical Neural Network Architecture for Binary
Classification
- Title(参考訳): 二元分類のためのハイブリッド量子古典型ニューラルネットワークアーキテクチャ
- Authors: Davis Arthur and Prasanna Date
- Abstract要約: 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。
- 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: Deep learning is one of the most successful and far-reaching strategies used
in machine learning today. However, the scale and utility of neural networks is
still greatly limited by the current hardware used to train them. These
concerns have become increasingly pressing as conventional computers quickly
approach physical limitations that will slow performance improvements in years
to come. For these reasons, scientists have begun to explore alternative
computing platforms, like quantum computers, for training neural networks. In
recent years, variational quantum circuits have emerged as one of the most
successful approaches to quantum deep learning on noisy intermediate scale
quantum devices. We propose a hybrid quantum-classical neural network
architecture where each neuron is a variational quantum circuit. We empirically
analyze the performance of this hybrid neural network on a series of binary
classification data sets using a simulated universal quantum computer and a
state of the art universal quantum computer. On simulated hardware, we observe
that the hybrid neural network achieves roughly 10% higher classification
accuracy and 20% better minimization of cost than an individual variational
quantum circuit. On quantum hardware, we observe that each model only performs
well when the qubit and gate count is sufficiently small.
- Abstract(参考訳): ディープラーニングは、現在機械学習で使われている最も成功し、広範囲にわたる戦略の1つです。
しかし、ニューラルネットワークのスケールと有用性は、トレーニングに使用される現在のハードウェアによって依然として大幅に制限されている。
これらの懸念は、従来のコンピュータが今後数年でパフォーマンス改善を遅らせる物理的制限に素早くアプローチするにつれ、ますます強まりつつある。
これらの理由から、科学者たちはニューラルネットワークをトレーニングするための量子コンピュータのような代替コンピューティングプラットフォームを探求し始めた。
近年、変分量子回路はノイズの多い中間量子デバイス上での量子深層学習において最も成功したアプローチの1つである。
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。
本研究では,このハイブリッドニューラルネットワークの性能を,シミュレートされたユニバーサル量子コンピュータとartユニバーサル量子コンピュータを用いて,一連のバイナリ分類データセット上で実験的に解析する。
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。
量子ハードウェアでは、量子ビットとゲート数が十分に小さい場合にのみ、各モデルがうまく機能することを観測する。
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) - 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) - Quantum Methods for Neural Networks and Application to Medical Image
Classification [5.817995726696436]
ニューラルネットワークのための新しい量子法を2つ導入する。
1つ目は、量子ピラミッド回路に基づく量子直交ニューラルネットワークである。
第2の方法は量子支援ニューラルネットワークであり、量子コンピュータを用いて内部積推定を行う。
論文 参考訳(メタデータ) (2022-12-14T18:17:19Z) - An Invitation to Distributed Quantum Neural Networks [0.0]
分散量子ニューラルネットワークにおける技術の現状を概観する。
量子データセットの分布は、量子モデルの分布よりも古典的な分布と類似性があることが分かる。
論文 参考訳(メタデータ) (2022-11-14T00:27:01Z) - 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) - QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。
提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。
交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
論文 参考訳(メタデータ) (2021-06-19T04:37:39Z) - 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) - 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) - Quantum implementation of an artificial feed-forward neural network [0.0]
本研究では,最先端の超伝導量子プロセッサ上に実装された人工フィードフォワードニューラルネットワークを実験的に実現した。
このネットワークは量子人工ニューロンで構成されており、記憶容量の潜在的な利点を個別に示す。
このネットワークは、古典的な制御か、完全に一貫性のある方法で等価に動作可能であることを実証する。
論文 参考訳(メタデータ) (2019-12-28T16:49:19Z)
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。