論文の概要: Random Quantum Neural Networks (RQNN) for Noisy Image Recognition

• arxiv url: http://arxiv.org/abs/2203.01764v1
• Date: Thu, 3 Mar 2022 15:15:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 21:35:04.446664
• Title: Random Quantum Neural Networks (RQNN) for Noisy Image Recognition
• Title（参考訳）: 雑音画像認識のためのランダム量子ニューラルネットワーク(RQNN)
• Authors: Debanjan Konar, Erol Gelenbe, Soham Bhandary, Aditya Das Sarma, and Attila Cangi
• Abstract要約: 本稿では,RQNN (Random Quantum Neural Networks) の新たなクラスについて紹介する。 提案するRQNNは、重ね合わせ状態と振幅符号化機能を備えたハイブリッド古典量子アルゴリズムを用いる。 MNIST、FashionMNIST、KMNISTデータセットの実験により、提案されたRQNNモデルは平均分類精度が94.9%であることを示した。
• 参考スコア（独自算出の注目度）: 0.9205287316703888
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Classical Random Neural Networks (RNNs) have demonstrated effective applications in decision making, signal processing, and image recognition tasks. However, their implementation has been limited to deterministic digital systems that output probability distributions in lieu of stochastic behaviors of random spiking signals. We introduce the novel class of supervised Random Quantum Neural Networks (RQNNs) with a robust training strategy to better exploit the random nature of the spiking RNN. The proposed RQNN employs hybrid classical-quantum algorithms with superposition state and amplitude encoding features, inspired by quantum information theory and the brain's spatial-temporal stochastic spiking property of neuron information encoding. We have extensively validated our proposed RQNN model, relying on hybrid classical-quantum algorithms via the PennyLane Quantum simulator with a limited number of \emph{qubits}. Experiments on the MNIST, FashionMNIST, and KMNIST datasets demonstrate that the proposed RQNN model achieves an average classification accuracy of $94.9\%$. Additionally, the experimental findings illustrate the proposed RQNN's effectiveness and resilience in noisy settings, with enhanced image classification accuracy when compared to the classical counterparts (RNNs), classical Spiking Neural Networks (SNNs), and the classical convolutional neural network (AlexNet). Furthermore, the RQNN can deal with noise, which is useful for various applications, including computer vision in NISQ devices. The PyTorch code (https://github.com/darthsimpus/RQN) is made available on GitHub to reproduce the results reported in this manuscript.
• Abstract（参考訳）: 古典的ランダムニューラルネットワーク(RNN)は、意思決定、信号処理、画像認識タスクに有効な応用を実証している。 しかし、それらの実装はランダムなスパイキング信号の確率的挙動の代わりに確率分布を出力する決定論的デジタルシステムに限られている。 我々は、スパイクRNNのランダム性をよりよく活用するための堅牢なトレーニング戦略を備えた、教師付きランダム量子ニューラルネットワーク(RQNN)のクラスを紹介する。 提案するrqnnは、量子情報理論とニューロン情報エンコーディングの空間-時空間的確率的スパイク特性に触発された重畳状態と振幅符号化特性を持つハイブリッド古典量子アルゴリズムを用いる。 提案するrqnnモデルを広範囲に検証し,限られた数の \emph{qubits} を持つpennylane量子シミュレータによるハイブリッド古典量子アルゴリズムを用いて検証した。 MNIST、FashionMNIST、KMNISTデータセットの実験により、提案されたRQNNモデルは平均分類精度が94.9 %$であることを示した。 さらに、実験結果は、古典的(RNN)、古典的スパイキングニューラルネットワーク(SNN)、古典的畳み込みニューラルネットワーク(AlexNet)と比較して画像分類精度が向上し、ノイズの多い環境でのRQNNの有効性とレジリエンスが示された。 さらに、RQNNはノイズに対処でき、NISQデバイスにおけるコンピュータビジョンを含む様々なアプリケーションに有用である。 PyTorchのコード(https://github.com/darthsimpus/RQN)はGitHubで公開されている。

関連論文リスト

• Accurate Mapping of RNNs on Neuromorphic Hardware with Adaptive Spiking Neurons [2.9410174624086025]
  我々は、SigmaDelta$-low-pass RNN(lpRNN)を、レートベースのRNNをスパイクニューラルネットワーク(SNN)にマッピングするために提示する。 適応スパイキングニューロンモデルは、$SigmaDelta$-modulationを使って信号を符号化し、正確なマッピングを可能にする。 我々は、Intelのニューロモルフィック研究チップLoihiにおけるlpRNNの実装を実演する。
  論文  参考訳（メタデータ） (2024-07-18T14:06:07Z)
• Quantum Implicit Neural Representations [4.2216663697289665]
  暗黙の神経表現は、画像や音などの信号を表現するための強力なパラダイムとして登場した。 従来のニューラルネットワークは、信号の高周波成分を正確にモデル化する際の課題に直面している。 本稿では,新しいFNNの量子一般化である量子暗黙表現ネットワーク(QIREN)を提案する。
  論文  参考訳（メタデータ） (2024-06-06T09:04:48Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
  本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。 本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。 VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
  論文  参考訳（メタデータ） (2023-03-10T11:24:32Z)
• Quantum Recurrent Neural Networks for Sequential Learning [11.133759363113867]
  近いうちに量子優位性のあるアプリケーションを見つけるために,新しい種類の量子リカレントニューラルネットワーク(QRNN)を提案する。 我々のQRNNは、量子デバイスのコヒーレント時間に関してアルゴリズムの要求を大幅に削減できる、停滞した方法でQRBを積み重ねることによって構築されます。 数値実験により,我々のQRNNは古典的RNNと最先端QNNモデルに対する予測(分類)精度が向上し,逐次学習が可能となった。
  論文  参考訳（メタデータ） (2023-02-07T04:04:39Z)
• Quantum-inspired Complex Convolutional Neural Networks [17.65730040410185]
  我々は、より豊かな表現能力とより良い非線形性を持つ複素数値重みを利用することにより、量子刺激ニューロンを改善した。 我々は、高次元データを処理できる量子インスパイアされた畳み込みニューラルネットワーク(QICNN)のモデルを描く。 5つのQICNNの分類精度をMNISTとCIFAR-10データセットで検証した。
  論文  参考訳（メタデータ） (2021-10-31T03:10:48Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$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)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• 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)

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。