論文の概要: Tensor Ring Parametrized Variational Quantum Circuits for Large Scale Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2201.08878v1
• Date: Fri, 21 Jan 2022 19:54:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 17:15:21.350232
• Title: Tensor Ring Parametrized Variational Quantum Circuits for Large Scale Quantum Machine Learning
• Title（参考訳）: 大規模量子機械学習のためのテンソルリング並列化変分量子回路
• Authors: Dheeraj Peddireddy, Vipul Bansal, Zubin Jacob, and Vaneet Aggarwal
• Abstract要約: 本稿では,テンソルリング表現を用いて回路内の量子状態を圧縮するアルゴリズムを提案する。 ストレージと計算時間は、正確なシミュレーションアルゴリズムによる指数的な増加と比較して、キュービット数とレイヤー数で線形に増加する。 We achieve a test accuracy of 83.33% on Iris dataset and a maximum of 99.30% and 76.31% on binary and ternary classification of MNIST dataset。
• 参考スコア（独自算出の注目度）: 28.026962110693695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Machine Learning (QML) is an emerging research area advocating the use of quantum computing for advancement in machine learning. Since the discovery of the capability of Parametrized Variational Quantum Circuits (VQC) to replace Artificial Neural Networks, they have been widely adopted to different tasks in Quantum Machine Learning. However, despite their potential to outperform neural networks, VQCs are limited to small scale applications given the challenges in scalability of quantum circuits. To address this shortcoming, we propose an algorithm that compresses the quantum state within the circuit using a tensor ring representation. Using the input qubit state in the tensor ring representation, single qubit gates maintain the tensor ring representation. However, the same is not true for two qubit gates in general, where an approximation is used to have the output as a tensor ring representation. Using this approximation, the storage and computational time increases linearly in the number of qubits and number of layers, as compared to the exponential increase with exact simulation algorithms. This approximation is used to implement the tensor ring VQC. The training of the parameters of tensor ring VQC is performed using a gradient descent based algorithm, where efficient approaches for backpropagation are used. The proposed approach is evaluated on two datasets: Iris and MNIST for the classification task to show the improved accuracy using more number of qubits. We achieve a test accuracy of 83.33\% on Iris dataset and a maximum of 99.30\% and 76.31\% on binary and ternary classification of MNIST dataset using various circuit architectures. The results from the IRIS dataset outperform the results on VQC implemented on Qiskit, and being scalable, demonstrates the potential for VQCs to be used for large scale Quantum Machine Learning applications.
• Abstract（参考訳）: 量子機械学習(Quantum Machine Learning、QML)は、機械学習の進歩に量子コンピューティングを使うことを提唱する新興研究分野である。 ニューラルネットワークを代替するパラメタライズド変分量子回路(VQC)の発見以来、それらは量子機械学習の様々なタスクに広く採用されてきた。 しかしながら、VQCはニューラルネットワークより優れている可能性にもかかわらず、量子回路のスケーラビリティの課題を考えると、小規模のアプリケーションに限られる。 この欠点に対処するため,テンソルリング表現を用いて回路内の量子状態を圧縮するアルゴリズムを提案する。 テンソル環表現における入力キュービット状態を用いて、単一キュービットゲートはテンソル環表現を保持する。 しかし、一般に2つのキュービットゲートでは同じことが言えず、近似はテンソル環表現として出力を持つために用いられる。 この近似を用いることで、厳密なシミュレーションアルゴリズムによる指数関数的な増加と比較して、ストレージと計算時間はキュービット数と層数で線形に増加する。 この近似はテンソル環 VQC を実装するために用いられる。 テンソルリングVQCのパラメータのトレーニングは勾配降下に基づくアルゴリズムを用いて行われ、バックプロパゲーションのための効率的なアプローチが用いられる。 提案手法はIrisとMNISTの2つのデータセットで評価され,より多くの量子ビットを用いて精度の向上を示す。 様々な回路アーキテクチャを用いたmnistデータセットのバイナリ分類において、irisデータセットでは83.33\%、最大で99.30\%、76.31\%の試験精度を達成する。 IRISデータセットの結果は、Qiskit上に実装されたVQCの結果よりも優れており、スケーラブルであることから、大規模な量子機械学習アプリケーションにVQCが使用される可能性を示している。

関連論文リスト

• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Non-parametric Greedy Optimization of Parametric Quantum Circuits [2.77390041716769]
  本研究の目的は、パラメトリックゲートを近似的に固定された非パラメトリック表現に置き換えることで、PQCの深さとゲート数を削減することである。 約14%の深さ減少と48%のゲート数減少を3.33%の精度で観測した。
  論文  参考訳（メタデータ） (2024-01-27T15:29:38Z)
• Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
  変動量子回路(VQC)における重み付けの考え方を紹介する。 我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。 以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-06-09T09:42:21Z)
• Learning To Optimize Quantum Neural Network Without Gradients [3.9848482919377006]
  本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。 我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-15T01:09:12Z)
• Variational Quantum Eigensolver for Classification in Credit Sales Risk [0.5524804393257919]
  本稿では,変分量子固有解器(VQE)といわゆるSWAP-Testに基づく量子回路について考察する。 活用されたデータセットでは、2つのクラスが観察できる。 この解はコンパクトであり、対数的に増加するキュービット数だけを必要とする。
  論文  参考訳（メタデータ） (2023-03-05T23:08:39Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping [60.086820254217336]
  近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。 重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。 修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
  論文  参考訳（メタデータ） (2022-12-22T13:23:19Z)
• TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum Circuits [26.735857677349628]
  変分量子アルゴリズム(VQA)は、短期デバイスに量子上の利点を示すことを約束している。 パラメータ化ゲートを持つ変分回路であるアンサッツの設計は、VQAにとって最重要となる。 トポロジ固有のアンザッツを生成するボトムアップ手法を提案する。
  論文  参考訳（メタデータ） (2022-10-15T04:18:41Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$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)
• 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)
• Supervised Learning Using a Dressed Quantum Network with "Super Compressed Encoding": Algorithm and Quantum-Hardware-Based Implementation [7.599675376503671]
  ノイズのある中間量子(NISQ)デバイス上での変分量子機械学習(QML)アルゴリズムの実装には、必要となるキュービット数とマルチキュービットゲートに関連するノイズに関連する問題がある。 本稿では,これらの問題に対処するための量子ネットワークを用いた変分QMLアルゴリズムを提案する。 他の多くのQMLアルゴリズムとは異なり、我々の量子回路は単一量子ビットゲートのみで構成されており、ノイズに対して堅牢である。
  論文  参考訳（メタデータ） (2020-07-20T16:29:32Z)

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。