論文の概要: Tunable Quantum Neural Networks in the QPAC-Learning Framework

• arxiv url: http://arxiv.org/abs/2205.01514v3
• Date: Wed, 19 Jul 2023 19:37:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 19:17:54.968339
• Title: Tunable Quantum Neural Networks in the QPAC-Learning Framework
• Title（参考訳）: QPAC学習フレームワークにおける可変量子ニューラルネットワーク
• Authors: Viet Pham Ngoc, David Tuckey, Herbert Wiklicky
• Abstract要約: 量子確率近似(QPAC)学習フレームワークにおけるチューナブル量子ニューラルネットワークの性能について検討する。 チューナブルニューラルネットワーク(Tunable Neural Network)は、マルチ制御された$mathbfX$ゲートからなる量子回路である。 ターゲット概念を近似できるようにネットワークをチューニングするために,振幅増幅に基づくアルゴリズムを考案し,実装した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we investigate the performances of tunable quantum neural networks in the Quantum Probably Approximately Correct (QPAC) learning framework. Tunable neural networks are quantum circuits made of multi-controlled $\mathbf{X}$ gates. By tuning the set of controls these circuits are able to approximate any Boolean functions. This architecture is particularly suited to be used in the QPAC-learning framework as it can handle the superposition produced by the oracle. In order to tune the network so that it can approximate a target concept, we have devised and implemented an algorithm based on amplitude amplification. The numerical results show that this approach can efficiently learn parity functions. In which case, the sample complexity is in $\Omega\left(\frac{d}{\epsilon} + \log\left(\frac{1}{\epsilon}\right)\frac{1}{\delta^2}\right)$.
• Abstract（参考訳）: 本稿では,量子確率近似(QPAC)学習フレームワークにおけるチューナブル量子ニューラルネットワークの性能について検討する。 チューナブルニューラルネットワークは、マルチコントロールされた$\mathbf{X}$ゲートからなる量子回路である。 制御のセットをチューニングすることで、これらの回路はブール関数を近似することができる。 このアーキテクチャは、オラクルが生成した重ね合わせを処理できるため、QPAC学習フレームワークでの使用に特に適している。 ターゲット概念を近似できるようにネットワークをチューニングするために,振幅増幅に基づくアルゴリズムを考案し,実装した。 数値的な結果は,パリティ関数を効率的に学習できることを示している。 この場合、サンプルの複雑さは$\Omega\left(\frac{d}{\epsilon} + \log\left(\frac{1}{\epsilon}\right)\frac{1}{\delta^2}\right)$である。

関連論文リスト

• Exact Learning with Tunable Quantum Neural Networks and a Quantum Example Oracle [0.0]
  量子完全学習フレームワークにおける可変量子ニューラルネットワークアーキテクチャについて検討する。 本稿では,振幅増幅を用いてネットワークを目標概念に正しく調整する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T16:18:39Z)
• Quantum Convolutional Neural Networks for Multi-Channel Supervised Learning [0.0]
  本稿では,畳み込みカーネルとして使用するハードウェア適応型量子回路について述べる。 提案する量子ニューラルネットワークは,マルチチャネルデータを含む分類タスクにおいて,既存のQCNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-30T11:48:12Z)
• Development of Quantum Circuits for Perceptron Neural Network Training, Based on the Principles of Grover's Algorithm [0.0]
  本稿では,ニューラルネットワークのトレーニングのための量子回路の形成の可能性を明らかにする。 パーセプトロンは、ニューラルネットワークの例のアーキテクチャとして選ばれた。
  論文  参考訳（メタデータ） (2021-10-15T13:07:18Z)
• 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)
• 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)
• 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)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• Tunable Quantum Neural Networks for Boolean Functions [0.0]
  ブール関数を学習するためにゲートを調整できる汎用量子回路のアイデアを導入する。 学習課題を実行するために,測定の欠如を利用したアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-03-31T11:55:01Z)
• Realising and compressing quantum circuits with quantum reservoir computing [2.834895018689047]
  量子ノードのランダムネットワークが量子コンピューティングの堅牢なハードウェアとしてどのように使用できるかを示す。 我々のネットワークアーキテクチャは、量子ノードの単一層のみを最適化することで量子演算を誘導する。 数量子状態においては、量子回路内の複数の量子ゲートのシーケンスは単一の演算で圧縮することができる。
  論文  参考訳（メタデータ） (2020-03-21T03:29:16Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)
• 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。