論文の概要: Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning
- arxiv url: http://arxiv.org/abs/2203.15368v1
- Date: Tue, 29 Mar 2022 09:07:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 16:30:10.013034
- Title: Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning
- Title(参考訳): ハイブリッド量子古典学習を用いた量子畳み込みニューラルネットワークを用いたマルチクラス分類
- Authors: Denis Bokhan, Alena S. Mastiukova, Aleksey S. Boev, Dmitrii N.
Trubnikov, Aleksey K. Fedorov
- Abstract要約: 本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。
提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。
この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
- 参考スコア(独自算出の注目度): 0.5999777817331318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiclass classification is of great interest for various machine learning
applications, for example, it is a common task in computer vision, where one
needs to categorize an image into three or more classes. Here we propose a
quantum machine learning approach based on quantum convolutional neural
networks for solving this problem. The corresponding learning procedure is
implemented via TensorFlowQuantum as a hybrid quantum-classical (variational)
model, where quantum output results are fed to softmax cost function with
subsequent minimization of it via optimization of parameters of quantum
circuit. Our conceptional improvements include a new model for quantum
perceptron and optimized structure of the quantum circuit. We use the proposed
approach to demonstrate the 4-class classification for the case of the MNIST
dataset using eight qubits for data encoding and four acnilla qubits. Our
results demonstrate comparable accuracy of our solution with classical
convolutional neural networks with comparable numbers of trainable parameters.
We expect that our finding provide a new step towards the use of quantum
machine learning for solving practically relevant problems in the NISQ era and
beyond.
- Abstract(参考訳): マルチクラス分類は、コンピュータビジョンにおいて一般的なタスクであり、イメージを3つ以上のクラスに分類する必要がある。
本稿では,この問題を解決するために,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。
対応する学習手順は、TensorFlowQuantumを介して、量子回路のパラメータの最適化により、量子出力結果をソフトマックスコスト関数に供給するハイブリッド量子古典(可変)モデルとして実装される。
我々の概念的改善には、量子パーセプトロンの新しいモデルと量子回路の最適化構造が含まれる。
提案手法は,データエンコーディングのための8キュービットと4つの acnilla qubits を用いたmnistデータセットの4クラス分類を実証するために用いる。
その結果,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
我々の発見は、NISQ時代以降の実用的な問題の解決に量子機械学習を使用するための新たなステップを提供すると期待している。
関連論文リスト
- 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) - Quantum machine learning for image classification [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-14T08:03:20Z) - 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) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Multi-class quantum classifiers with tensor network circuits for quantum
phase recognition [0.0]
ネットワークにインスパイアされた回路は、変分量子固有解回路の自然な選択として提案されている。
本稿では,ツリーテンソルネットワークとマルチスケール再正規化アンサッツ回路に基づくマルチクラスの絡み合いに関する数値実験を行う。
論文 参考訳(メタデータ) (2021-10-15T21:55:13Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳(メタデータ) (2020-10-21T09:46:12Z) - Quantum Machine Learning for Particle Physics using a Variational
Quantum Classifier [0.0]
本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。
このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
論文 参考訳(メタデータ) (2020-10-14T18:05:49Z) - TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。
本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
論文 参考訳(メタデータ) (2020-03-06T01:31:43Z)
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。