論文の概要: Quantum activation functions for quantum neural networks

• arxiv url: http://arxiv.org/abs/2201.03700v1
• Date: Mon, 10 Jan 2022 23:55:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 14:43:13.465489
• Title: Quantum activation functions for quantum neural networks
• Title（参考訳）: 量子ニューラルネットワークのための量子活性化関数
• Authors: Marco Maronese and Claudio Destri and Enrico Prati
• Abstract要約: 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。
• 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: The field of artificial neural networks is expected to strongly benefit from recent developments of quantum computers. In particular, quantum machine learning, a class of quantum algorithms which exploit qubits for creating trainable neural networks, will provide more power to solve problems such as pattern recognition, clustering and machine learning in general. The building block of feed-forward neural networks consists of one layer of neurons connected to an output neuron that is activated according to an arbitrary activation function. The corresponding learning algorithm goes under the name of Rosenblatt perceptron. Quantum perceptrons with specific activation functions are known, but a general method to realize arbitrary activation functions on a quantum computer is still lacking. Here we fill this gap with a quantum algorithm which is capable to approximate any analytic activation functions to any given order of its power series. Unlike previous proposals providing irreversible measurement--based and simplified activation functions, here we show how to approximate any analytic function to any required accuracy without the need to measure the states encoding the information. Thanks to the generality of this construction, any feed-forward neural network may acquire the universal approximation properties according to Hornik's theorem. Our results recast the science of artificial neural networks in the architecture of gate-model quantum computers.
• Abstract（参考訳）: ニューラルネットワークの分野は、最近の量子コンピュータの発展から大きな恩恵を受けると予想されている。 特に、トレーニング可能なニューラルネットワークを作成するためにキュービットを利用する量子アルゴリズムのクラスである量子機械学習は、パターン認識やクラスタリング、マシンラーニング全般といった問題を解決するためのより多くのパワーを提供する。 フィードフォワードニューラルネットワークの構成要素は、任意の活性化機能に従って活性化される出力ニューロンに接続されたニューロンの1層からなる。 対応する学習アルゴリズムはRosenblatt perceptronと呼ばれる。 特定の活性化関数を持つ量子パーセプトロンは知られているが、量子コンピュータ上で任意の活性化関数を実現する一般的な方法はまだ欠けている。 ここでは、このギャップを、任意の解析的活性化関数をそのパワー系列の任意の順序に近似できる量子アルゴリズムで埋める。 非可逆な測度に基づく簡易な活性化関数を提供する従来の提案とは違って、解析関数を必要な精度で近似する方法を、情報を符号化する状態を測定することなく示す。 この構成の一般化により、任意のフィードフォワードニューラルネットワークはホルニクの定理に従って普遍近似特性を取得することができる。 我々は,ゲートモデル量子コンピュータのアーキテクチャにおいて,人工ニューラルネットワークの科学を再考した。

関連論文リスト

• Using Quantum Computing to Infer Dynamic Behaviors of Biological and Artificial Neural Networks [0.0]
  本質的に完全に探索されていないトピックは、量子アルゴリズムとコンピューティングを使用して、ニューラルネットワークの機能的ダイナミクスに関する質問をテキスト化し、問うことである。 これは、生体および人工ニューラルネットワークのモデリングとシミュレーションに量子コンピューティングを適用するという、まだ初期段階のトピックのコンポーネントである。
  論文  参考訳（メタデータ） (2024-03-27T19:16:56Z)
• Realization of a quantum neural network using repeat-until-success circuits in a superconducting quantum processor [0.0]
  本稿では、リアルタイム制御-フローフィードバックによって実現されたリピート・アンティル・サクセス回路を用いて、非線形活性化機能を持つ量子ニューロンを実現する。 例えば、2ビットから1ビットのブール関数をすべて学習できる最小限のフィードフォワード量子ニューラルネットワークを構築する。 このモデルは非線形分類を行い、全ての入力の最大重ね合わせからなる単一のトレーニング状態の複数のコピーから効果的に学習する。
  論文  参考訳（メタデータ） (2022-12-21T03:26:32Z)
• 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)
• 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)
• Experimental quantum memristor [0.5396401833457565]
  我々は、集積フォトニクスと単一光子に作用する新しい量子光学メムリスタを、実験的に導入し、実証する。 私たちのデバイスは、即時および短期的な量子ニューロモルフィックアーキテクチャの構築ブロックになる可能性がある。
  論文  参考訳（メタデータ） (2021-05-11T08:42:14Z)
• 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)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• 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)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)
• 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。