論文の概要: Continuous Variable Quantum MNIST Classifiers
- arxiv url: http://arxiv.org/abs/2204.01194v1
- Date: Mon, 4 Apr 2022 00:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 04:16:39.277413
- Title: Continuous Variable Quantum MNIST Classifiers
- Title（参考訳）: 連続可変量子MNIST分類器
- Authors: Sophie Choe
- Abstract要約: 量子ニューラルネットワークハイブリッドマルチクラス化器は、MNISTデータセットを用いて提示される。
合計8つの異なる分類器は2,3,...,8 qumodsを用いて構築される。
600のサンプルからなる切り離されたMNISTデータセットでは、4 qumodeハイブリッド分類器が100%のトレーニング精度を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In this paper, classical and continuous variable (CV) quantum neural network
hybrid multiclassifiers are presented using the MNIST dataset. The combination
of cutoff dimension and probability measurement method in the CV model allows a
quantum circuit to produce output vectors of size equal to n raised to the
power of n where n represents cutoff dimension and m, the number of qumodes.
They are then translated as one-hot encoded labels, padded with an appropriate
number of zeros. The total of eight different classifiers are built using
2,3,...,8 qumodes, based on the binary classifier architecture proposed in
Continuous variable quantum neural networks. The displacement gate and the Kerr
gate in the CV model allow for the bias addition and nonlinear activation
components of classical neural networks to quantum. The classifiers are
composed of a classical feedforward neural network, a quantum data encoding
circuit, and a CV quantum neural network circuit. On a truncated MNIST dataset
of 600 samples, a 4 qumode hybrid classifier achieves 100% training accuracy.
- Abstract（参考訳）: 本稿では,MNISTデータセットを用いて,古典的かつ連続的な量子ニューラルネットワークハイブリッドマルチクラス化手法を提案する。
CVモデルにおけるカットオフ次元と確率測定法の組み合わせにより、量子回路は、n がカットオフ次元 m を表す n のパワーに上昇する n に等しい大きさの出力ベクトルを生成することができる。
それらは1-hotエンコードされたラベルとして翻訳され、適切な数のゼロでパディングされる。
連続可変量子ニューラルネットワークで提案されるバイナリ分類器アーキテクチャに基づいて、合計8つの異なる分類器が2,3,...,8 qumodesを用いて構築される。
CVモデルにおける変位ゲートとカーゲートは、古典的ニューラルネットワークの量子へのバイアス加算と非線形活性化成分を可能にする。
分類器は、古典的なフィードフォワードニューラルネットワーク、量子データ符号化回路、cv量子ニューラルネットワーク回路からなる。
600のサンプルからなる切り離されたMNISTデータセットでは、4 qumodeハイブリッド分類器が100%のトレーニング精度を達成する。
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) - Experimentally Realizable Continuous-variable Quantum Neural Networks [0.0]
連続可変(CV)量子コンピューティングは、ニューラルネットワークモデルを構築する大きな可能性を示している。
CVニューラルネットワークプロトコルに関するこれまでの研究は、ネットワーク内の非ガウス演算子の実装を必要としていた。
我々は、現在のフォトニック量子ハードウェアで実験的に実現可能なCVハイブリッド量子古典ニューラルネットワークプロトコルを構築した。
論文 参考訳（メタデータ） (2023-06-05T01:18:41Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - 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) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳（メタデータ） (2021-09-05T15:15:07Z) - Quantum convolutional neural network for classical data classification [0.8057006406834467]
古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。
本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T06:48:34Z) - 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) - 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) - An end-to-end trainable hybrid classical-quantum classifier [0.0]
量子インスパイアされたテンソルネットワークと変分量子回路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。
このアーキテクチャにより、モデルの古典的および量子的部分を同時にトレーニングすることができ、エンドツーエンドのトレーニングフレームワークを提供する。
論文 参考訳（メタデータ） (2021-02-04T05:19:54Z) - 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) - 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)
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。