論文の概要: Quantum Neuron with Separable-State Encoding

• arxiv url: http://arxiv.org/abs/2202.08306v1
• Date: Wed, 16 Feb 2022 19:26:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-25 16:17:45.478094
• Title: Quantum Neuron with Separable-State Encoding
• Title（参考訳）: 分離状態エンコードを有する量子ニューロン
• Authors: London A. Cavaletto, Luca Candelori, Alex Matos-Abiague
• Abstract要約: 現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。 マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。 シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of advanced quantum neuron models for pattern recognition applications requires fault tolerance. Therefore, it is not yet possible to test such models on a large scale in currently available quantum processors. As an alternative, we propose a quantum perceptron (QP) model that uses a reduced number of multi-qubit gates and is therefore less susceptible to quantum errors in current actual quantum computers with limited tolerance. The proposed quantum algorithm is superior to its classical counterpart, although since it does not take full advantage of quantum entanglement, it provides a lower encoding power than other quantum algorithms using multiple qubit entanglement. However, the use of separable-sate encoding allows for testing the algorithm and different training schemes at a large scale in currently available non-fault tolerant quantum computers. We demonstrate the performance of the proposed model by implementing a few qubits version of the QP in a simulated quantum computer. The proposed QP uses an N-ary encoding of the binary input data characterizing the patterns. We develop a hybrid (quantum-classical) training procedure for simulating the learning process of the QP and test their efficiency.
• Abstract（参考訳）: パターン認識に高度な量子ニューロンモデルを使用するには、フォールトトレランスが必要である。 したがって、現在利用可能な量子プロセッサにおいて、そのようなモデルを大規模にテストすることは、まだ不可能である。 そこで,本研究では,マルチ量子ビットゲート数を削減した量子パーセプトロン(qp)モデルを提案する。 提案した量子アルゴリズムは古典的アルゴリズムよりも優れているが、量子絡みの利点を十分に生かしていないため、複数の量子ビット絡みを用いた他の量子アルゴリズムに比べて符号化能力は低い。 しかし、分離可能なサテエンコーディングを使用することで、現在利用可能な非フォールトトレラント量子コンピュータにおいて、アルゴリズムと異なるトレーニングスキームを大規模にテストすることができる。 シミュレーション量子コンピュータにおいて,QPのいくつかのキュービットバージョンを実装することにより,提案モデルの性能を示す。 提案したQPは、パターンを特徴付けるバイナリ入力データのN-aryエンコーディングを使用する。 我々は,QPの学習過程をシミュレーションし,その効率をテストするためのハイブリッド(量子古典的)トレーニング手法を開発した。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Explicit quantum surrogates for quantum kernel models [0.6834295298053009]
  暗黙的モデルの明示的量子サロゲート(EQS)を作成するための量子古典ハイブリッドアルゴリズムを提案する。 これには、暗黙のモデルから観測可能なものを対角化し、対応する量子回路を構築することが含まれる。 EQSフレームワークは予測コストを削減し、不毛の高原問題を軽減し、両方のQMLアプローチの長所を組み合わせる。
  論文  参考訳（メタデータ） (2024-08-06T07:15:45Z)
• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• QuBEC: Boosting Equivalence Checking for Quantum Circuits with QEC Embedding [4.15692939468851]
  本稿では,従来の手法に比べてレイテンシの低い量子同値チェック手法QuBECを提案する。 提案手法は,ベンチマーク回路の検証時間を最大271.49倍に短縮する。
  論文  参考訳（メタデータ） (2023-09-19T16:12:37Z)
• 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)
• 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)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• Scalable Quantum Neural Networks for Classification [11.839990651381617]
  本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。 SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
  論文  参考訳（メタデータ） (2022-08-04T20:35:03Z)
• Natural parameterized quantum circuit [0.0]
  ユークリッド量子幾何で初期化できる自然パラメータ化量子回路(NPQC)を導入する。 一般的な量子回路のクラスでは、NPQC は最小の量子クラム・ラオ境界を持つ。 私たちの結果は、現在利用可能な量子プロセッサを強化するために利用できます。
  論文  参考訳（メタデータ） (2021-07-29T14:54:04Z)
• Distributed Quantum Computing with QMPI [11.71212583708166]
  本稿では,分散量子アルゴリズムの高性能実装を実現するために,MPI(Message Passing Interface)の拡張を提案する。 量子MPIの試作実装に加えて,分散量子コンピューティングの性能モデルであるSENDQを提案する。
  論文  参考訳（メタデータ） (2021-05-03T18:30:43Z)

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。