論文の概要: Embedding Learning in Hybrid Quantum-Classical Neural Networks
- arxiv url: http://arxiv.org/abs/2204.04550v2
- Date: Thu, 1 Dec 2022 11:58:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 18:52:10.291885
- Title: Embedding Learning in Hybrid Quantum-Classical Neural Networks
- Title(参考訳): ハイブリッド量子古典ニューラルネットワークにおける埋め込み学習
- Authors: Minzhao Liu, Junyu Liu, Rui Liu, Henry Makhanov, Danylo Lykov, Anuj
Apte and Yuri Alexeev
- Abstract要約: 本稿では、下流の量子機械学習タスクのトレーニングに有用な埋め込みを学習する量子数ショット埋め込み学習パラダイムを提案する。
学習された古典的パラメータがヒルベルト空間を効率的に利用しないハイブリッドニューラルネットワークにおける回路バイパス問題を同定する。
学習した数発の埋め込みは、目に見えないクラスに一般化され、他のアプローチと比較して回路バイパス問題に悩まされることが観察された。
- 参考スコア(独自算出の注目度): 8.029801398363261
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum embedding learning is an important step in the application of quantum
machine learning to classical data. In this paper we propose a quantum few-shot
embedding learning paradigm, which learns embeddings useful for training
downstream quantum machine learning tasks. Crucially, we identify the circuit
bypass problem in hybrid neural networks, where learned classical parameters do
not utilize the Hilbert space efficiently. We observe that the few-shot learned
embeddings generalize to unseen classes and suffer less from the circuit bypass
problem compared with other approaches.
- Abstract(参考訳): 量子埋め込み学習は、古典データへの量子機械学習の適用において重要なステップである。
本稿では,下流の量子機械学習タスクのトレーニングに有用な組込みを学習する,量子マイナショット組込み学習パラダイムを提案する。
古典的パラメータがヒルベルト空間を効率的に利用しないハイブリッドニューラルネットワークにおいて,回路バイパス問題を特定することが重要である。
数少ない学習組込みは未発見のクラスに一般化し、他のアプローチに比べて回路バイパス問題に苦しむことを観察した。
関連論文リスト
- ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - Neural Networks for Programming Quantum Annealers [6.531395267592592]
量子機械学習は、古典的なコンピュータで難解な問題を解くなど、人工知能の進歩を可能にする可能性がある。
本研究では、古典的な完全分岐ニューラルネットワークを小さな量子アニールで接続する、類似しているが全く同じではない場合について考察する。
このシステムをシミュレートして、画像や音声認識など、いくつかの一般的なデータセットを学習する。
論文 参考訳(メタデータ) (2023-08-13T16:43:07Z) - 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) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - 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) - Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning [0.5999777817331318]
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。
論文 参考訳(メタデータ) (2022-03-29T09:07:18Z) - Variational Quantum Soft Actor-Critic [1.90365714903665]
本研究では,連続制御の最先端手法の一つであるソフトアクター批判に基づく量子強化学習アルゴリズムを開発した。
この量子版のソフトアクター・クリティックは、調整可能なパラメータをはるかに少なくして、オリジナルのソフトアクター・クリティックに匹敵することを示す。
論文 参考訳(メタデータ) (2021-12-20T06:31:06Z) - Short Quantum Circuits in Reinforcement Learning Policies for the
Vehicle Routing Problem [0.0]
従来のアテンションヘッド層の代わりに簡単な量子回路を使用でき、性能を維持できることを示す。
我々は,我々のモデルを,強化学習における量子コンピューティングの役割をさらに研究するための,スケールアップ可能なプロトタイプとみなす。
論文 参考訳(メタデータ) (2021-09-15T18:02:17Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。