論文の概要: Novel Architecture of Parameterized Quantum Circuit for Graph
Convolutional Network
- arxiv url: http://arxiv.org/abs/2203.03251v1
- Date: Mon, 7 Mar 2022 10:18:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 22:02:00.716242
- Title: Novel Architecture of Parameterized Quantum Circuit for Graph
Convolutional Network
- Title（参考訳）: グラフ畳み込みネットワークのためのパラメータ化量子回路の新アーキテクチャ
- Authors: Yanhu Chen, Cen Wang, Hongxiang Guo, Jianwu
- Abstract要約: 機械学習の分野では、古典的なグラフ畳み込み層(GCL)ベースのグラフ畳み込みネットワーク(GCN)が位相データをうまく扱うことができる。
量子GCN(QGCN)を実現するための新しいPQCアーキテクチャを設計する。
- 参考スコア（独自算出の注目度）: 4.955918131723842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, the implementation of quantum neural networks is based on noisy
intermediate-scale quantum (NISQ) devices. Parameterized quantum circuit (PQC)
is such the method, and its current design just can handle linear data
classification. However, data in the real world often shows a topological
structure. In the machine learning field, the classical graph convolutional
layer (GCL)-based graph convolutional network (GCN) can well handle the
topological data. Inspired by the architecture of a classical GCN, in this
paper, to expand the function of the PQC, we design a novel PQC architecture to
realize a quantum GCN (QGCN). More specifically, we first implement an adjacent
matrix based on linear combination unitary and a weight matrix in a quantum
GCL, and then by stacking multiple GCLs, we obtain the QGCN. In addition, we
first achieve gradients decent on quantum circuit following the parameter-shift
rule for a GCL and then for the QGCN. We evaluate the performance of the QGCN
by conducting a node classification task on Cora dataset with topological data.
The numerical simulation result shows that QGCN has the same performance as its
classical counterpart, the GCN, in contrast, requires less tunable parameters.
Compared to a traditional PQC, we also verify that deploying an extra adjacent
matrix can significantly improve the classification performance for quantum
topological data.
- Abstract（参考訳）: 最近の量子ニューラルネットワークの実装は、ノイズの多い中間スケール量子(nisq)デバイスに基づいている。
パラメータ化量子回路(PQC)はそのような手法であり、その現在の設計は線形データ分類を扱うことができる。
しかし、現実世界のデータはしばしば位相構造を示す。
機械学習の分野では、古典的なグラフ畳み込み層(GCL)ベースのグラフ畳み込みネットワーク(GCN)がトポロジデータを扱うことができる。
本稿では,古典的なGCNのアーキテクチャに触発されてPQCの機能を拡張し,量子GCN(QGCN)を実現する新しいPQCアーキテクチャを設計する。
具体的には、まず量子GCLにおける線形結合ユニタリと重み行列に基づいて隣接行列を実装し、次に複数のGCLを積み重ねることでQGCNを得る。
さらに、まずGCLとQGCNのパラメータシフト規則に従って量子回路上の勾配を適切に達成する。
トポロジデータを用いたCoraデータセット上でノード分類タスクを実行することにより,QGCNの性能を評価する。
数値シミュレーションの結果、qgcnは従来のものと同等の性能を持つことが示され、対照的にgcnは調整可能なパラメータをあまり必要としない。
また,従来のPQCと比較して,隣接行列の配置によって量子トポロジカルデータの分類性能が著しく向上することが確認できた。
関連論文リスト
- 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) - Extending Graph Transformers with Quantum Computed Aggregation [0.0]
本稿では,量子系の長距離相関を用いて集約重みを計算するGNNアーキテクチャを提案する。
これらの相関は、グラフトポロジーを量子コンピュータ内の量子ビットの集合の相互作用に変換することによって生成される。
論文 参考訳（メタデータ） (2022-10-19T14:56:15Z) - Theoretical Error Performance Analysis for Variational Quantum Circuit
Based Functional Regression [83.79664725059877]
本研究では,次元減少と機能回帰のためのエンドツーエンドの量子ニューラルネットワークであるTTN-VQCを提案する。
また,polyak-Lojasiewicz (PL) 条件を利用してTTN-VQCの最適化特性を特徴付ける。
論文 参考訳（メタデータ） (2022-06-08T06:54:07Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing
Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。
この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。
マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文 参考訳（メタデータ） (2021-09-20T12:41:50Z) - Realizing Quantum Convolutional Neural Networks on a Superconducting
Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。
我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。
その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:32:57Z) - Branching Quantum Convolutional Neural Networks [0.0]
小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。
本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
論文 参考訳（メタデータ） (2020-12-28T19:00:03Z) - Hybrid quantum-classical classifier based on tensor network and
variational quantum circuit [0.0]
本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。
低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-30T09:43:59Z) - 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) - Quantum State Tomography with Conditional Generative Adversarial
Networks [0.7646713951724009]
量子状態トモグラフィー(QST)に条件付き生成逆数ネットワーク(CGAN)を適用する。
CGANフレームワークでは、2つのデュエルニューラルネットワーク、ジェネレータと識別器がデータからマルチモーダルモデルを学ぶ。
我々のQST-CGANは、標準最大化法よりもはるかに高速で、しかも少ないデータで光量子状態を再構成することを示した。
論文 参考訳（メタデータ） (2020-08-07T15:58:50Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-26T10:02:32Z)
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。