Fugu-MT 論文翻訳(概要): Quantum Robustness Verification: A Hybrid Quantum-Classical Neural Network Certification Algorithm

論文の概要: Quantum Robustness Verification: A Hybrid Quantum-Classical Neural Network Certification Algorithm

arxiv url: http://arxiv.org/abs/2205.00900v2
Date: Fri, 12 Aug 2022 13:26:35 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 20:41:39.847733
Title: Quantum Robustness Verification: A Hybrid Quantum-Classical Neural Network Certification Algorithm
Title（参考訳）: 量子ロバスト性検証:ハイブリッド量子古典型ニューラルネットワーク認証アルゴリズム
Authors: Nicola Franco, Tom Wollschlaeger, Nicholas Gao, Jeanette Miriam Lorenz, Stephan Guennemann
Abstract要約: 本研究では、堅牢性多変数混合整数プログラム(MIP)の解法を含むReLUネットワークの検証について検討する。この問題を軽減するために、ニューラルネットワーク検証にQCを用い、証明可能な証明書を計算するためのハイブリッド量子プロシージャを導入することを提案する。シミュレーション環境では,我々の証明は健全であり,問題の近似に必要な最小量子ビット数に制限を与える。
参考スコア（独自算出の注目度）: 1.439946676159516
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, quantum computers and algorithms have made significant progress indicating the prospective importance of quantum computing (QC). Especially combinatorial optimization has gained a lot of attention as an application field for near-term quantum computers, both by using gate-based QC via the Quantum Approximate Optimization Algorithm and by quantum annealing using the Ising model. However, demonstrating an advantage over classical methods in real-world applications remains an active area of research. In this work, we investigate the robustness verification of ReLU networks, which involves solving a many-variable mixed-integer programs (MIPs), as a practical application. Classically, complete verification techniques struggle with large networks as the combinatorial space grows exponentially, implying that realistic networks are difficult to be verified by classical methods. To alleviate this issue, we propose to use QC for neural network verification and introduce a hybrid quantum procedure to compute provable certificates. By applying Benders decomposition, we split the MIP into a quadratic unconstrained binary optimization and a linear program which are solved by quantum and classical computers, respectively. We further improve existing hybrid methods based on the Benders decomposition by reducing the overall number of iterations and placing a limit on the maximum number of qubits required. We show that, in a simulated environment, our certificate is sound, and provide bounds on the minimum number of qubits necessary to approximate the problem. Finally, we evaluate our method within simulation and on quantum hardware.
Abstract（参考訳）: 近年、量子コンピュータとアルゴリズムは量子コンピューティング(QC)の今後の重要性を示す大きな進歩を遂げている。特に組合せ最適化は、量子近似最適化アルゴリズムによるゲートベースのQCとIsingモデルによる量子アニールの両方を用いて、短期量子コンピュータの応用分野として注目されている。しかし、現実世界の応用における古典的手法に対する優位性を示すことは研究の活発な領域である。本研究では,多変数混合整数プログラム(MIP)を実用的応用として扱うReLUネットワークのロバスト性検証について検討する。古典的には、コンビネート空間が指数関数的に拡大するにつれて、完全な検証技術は大きなネットワークに苦しむ。この問題を軽減するために,ニューラルネットワークの検証にqcを使用し,証明可能な証明書を計算するためのハイブリッド量子手続きを導入することを提案する。 Benders分解を適用することで、MIPを2次非制約のバイナリ最適化と、量子コンピュータと古典コンピュータでそれぞれ解ける線形プログラムに分割する。さらに,総イテレーション数を削減し,必要な最大キュービット数に制限を加えることにより,ベンダ分解に基づく既存のハイブリッド手法をさらに改善する。シミュレーション環境では、我々の証明書は健全であり、問題の近似に必要な最小キュービット数の境界を提供する。最後に,本手法をシミュレーションおよび量子ハードウェア上で評価する。

関連論文リスト

Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
Variational Quantum Algorithms for Combinatorial Optimization [0.571097144710995]
変分アルゴリズム (VQA) は, NISQシステムの実用化に向けた最有力候補の1つである。本稿では,VQAの現状と最近の発展を考察し,近似最適化への適用性を強調した。 10ノードと20ノードのグラフ上でMaxCut問題を解くために,深さの異なるQAOA回路を実装した。
論文参考訳（メタデータ） (2024-07-08T22:02:39Z)
Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。どの場の量子スピードアップが達成できるかという新たな課題が生じる。量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文参考訳（メタデータ） (2024-02-26T09:32:07Z)
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)
Peptide Binding Classification on Quantum Computers [3.9540968630765643]
本研究では,計算生物学の分野における課題として,短期量子コンピュータを用いた広範囲な研究を行っている。治療タンパク質の設計に関わる課題に対してシーケンス分類を行い、類似スケールの古典的ベースラインと競合する性能を示す。この研究は、治療タンパク質の設計に不可欠なタスクに対して、短期量子コンピューティングの最初の概念実証アプリケーションを構成する。
論文参考訳（メタデータ） (2023-11-27T10:32:31Z)
Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文参考訳（メタデータ） (2023-09-11T18:00:00Z)
Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文参考訳（メタデータ） (2023-04-18T11:57:15Z)
Hybrid Quantum Classical Simulations [0.0]
量子コンピューティングの2つの主要なハイブリッド応用、すなわち量子近似最適化アルゴリズム(QAOA)と変分量子固有解法(VQE)について報告する。どちらも、古典的な中央処理ユニットと量子処理ユニットの間の漸進的な通信を必要とするため、ハイブリッド量子古典アルゴリズムである。
論文参考訳（メタデータ） (2022-10-06T10:49:15Z)
Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文参考訳（メタデータ） (2022-09-01T17:08:41Z)
Fundamental limitations on optimization in variational quantum algorithms [7.165356904023871]
そのような短期量子アプリケーションを確立するための主要なパラダイムは、変分量子アルゴリズム(VQA)である。このようなランダム回路の幅広いクラスにおいて、コスト関数の変動範囲は、高い確率で量子ビット数で指数関数的に消えることを示す。この結果は、勾配に基づく最適化と勾配のない最適化の制約を自然に統一し、VQAのトレーニングランドスケープに余分な厳しい制約を明らかにすることができる。
論文参考訳（メタデータ） (2022-05-10T17:14:57Z)
Classical variational simulation of the Quantum Approximate Optimization Algorithm [0.0]
パラメタライズドゲートからなる層状量子回路をシミュレートする手法を提案する。マルチキュービット波動関数のニューラルネットワークパラメトリゼーションを用いる。シミュレーションした最大の回路では、4QAOA層で54量子ビットに達する。
論文参考訳（メタデータ） (2020-09-03T15:55:27Z)

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。