論文の概要: Training Hybrid Classical-Quantum Classifiers via Stochastic Variational
Optimization
- arxiv url: http://arxiv.org/abs/2201.08629v1
- Date: Fri, 21 Jan 2022 10:30:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 14:59:24.544669
- Title: Training Hybrid Classical-Quantum Classifiers via Stochastic Variational
Optimization
- Title(参考訳): 確率的変分最適化によるハイブリッド古典量子分類器の訓練
- Authors: Ivana Nikoloska, and Osvaldo Simeone
- Abstract要約: 量子機械学習は、短期量子デバイスの潜在的な実用的応用として登場した。
本研究では、一般化線形モデル(英語版)(QGLM)を実装した量子ニューロンの第1層に、第2の古典的合成層が続く2層ハイブリッド古典量子分類器について検討する。
実験は、QGLMニューロンによって実装された様々な活性化関数に対するアプローチの利点を示す。
- 参考スコア(独自算出の注目度): 32.562122826341266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning has emerged as a potential practical application of
near-term quantum devices. In this work, we study a two-layer hybrid
classical-quantum classifier in which a first layer of quantum stochastic
neurons implementing generalized linear models (QGLMs) is followed by a second
classical combining layer. The input to the first, hidden, layer is obtained
via amplitude encoding in order to leverage the exponential size of the fan-in
of the quantum neurons in the number of qubits per neuron. To facilitate
implementation of the QGLMs, all weights and activations are binary. While the
state of the art on training strategies for this class of models is limited to
exhaustive search and single-neuron perceptron-like bit-flip strategies, this
letter introduces a stochastic variational optimization approach that enables
the joint training of quantum and classical layers via stochastic gradient
descent. Experiments show the advantages of the approach for a variety of
activation functions implemented by QGLM neurons.
- Abstract(参考訳): 量子機械学習は、短期量子デバイスの潜在的な実用的応用として登場した。
本研究では、一般化線形モデル(qglms)を実装した量子確率ニューロンの第1層を第2古典結合層に追従する2層ハイブリッド古典量子分類器について検討する。
第1の隠れ層への入力は、ニューロン当たりの量子ビット数における量子ニューロンのファンインの指数的大きさを活用するために振幅符号化によって得られる。
QGLMの実装を容易にするために、すべての重みとアクティベーションはバイナリである。
このタイプのモデルのトレーニング戦略に関する技術の現状は、徹底的な探索と単一ニューロンパーセプトロンのようなビットフリップ戦略に限られるが、このレターでは、確率勾配による量子層と古典層の共同トレーニングを可能にする確率的変動最適化手法を導入する。
実験は、QGLMニューロンによって実装された様々な活性化関数に対するアプローチの利点を示す。
関連論文リスト
- Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T16:57:51Z) - Towards Transfer Learning for Large-Scale Image Classification Using
Annealing-based Quantum Boltzmann Machines [7.106829260811707]
本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。
本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。
提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
論文 参考訳(メタデータ) (2023-11-27T16:07:49Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - Pooling techniques in hybrid quantum-classical convolutional neural
networks [0.0]
2次元医用画像の分類のためのハイブリッド量子古典畳み込みニューラルネットワーク(QCCNN)におけるプーリング手法の詳細な研究を行う。
プールのない等価な古典モデルやQCCNNと比較すると,類似性や性能が向上する。
QCCNNにおけるアーキテクチャの選択を、将来のアプリケーションのためにより深く研究することを約束している。
論文 参考訳(メタデータ) (2023-05-09T16:51:46Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - Alternating Layered Variational Quantum Circuits Can Be Classically
Optimized Efficiently Using Classical Shadows [4.680722019621822]
変分量子アルゴリズム(VQA)は、古典的ニューラルネットワーク(NN)の量子アナログである。
本稿では,VQAのトレーニングコストを指数的に削減したトレーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-24T15:47:44Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - 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) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-28T17:21:25Z)
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。