論文の概要: Quantum neural networks

• arxiv url: http://arxiv.org/abs/2205.08154v1
• Date: Tue, 17 May 2022 07:47:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-12 21:16:04.021845
• Title: Quantum neural networks
• Title（参考訳）: 量子ニューラルネットワーク
• Authors: Kerstin Beer
• Abstract要約: この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This PhD thesis combines two of the most exciting research areas of the last decades: quantum computing and machine learning. We introduce dissipative quantum neural networks (DQNNs), which are designed for fully quantum learning tasks, are capable of universal quantum computation and have low memory requirements while training. These networks are optimised with training data pairs in form of input and desired output states and therefore can be used for characterising unknown or untrusted quantum devices. We not only demonstrate the generalisation behaviour of DQNNs using classical simulations, but also implement them successfully on actual quantum computers. To understand the ultimate limits for such quantum machine learning methods, we discuss the quantum no free lunch theorem, which describes a bound on the probability that a quantum device, which can be modelled as a unitary process and is optimised with quantum examples, gives an incorrect output for a random input. Moreover we expand the area of applications of DQNNs in two directions. In the first case, we include additional information beyond just the training data pairs: since quantum devices are always structured, the resulting data is always structured as well. We modify the DQNN's training algorithm such that knowledge about the graph-structure of the training data pairs is included in the training process and show that this can lead to better generalisation behaviour. Both the original DQNN and the DQNN including graph structure are trained with data pairs in order to characterise an underlying relation. However, in the second extension of the algorithm we aim to learn characteristics of a set of quantum states in order to extend it to quantum states which have similar properties. Therefore we build a generative adversarial model where two DQNNs, called the generator and discriminator, are trained in a competitive way.
• Abstract（参考訳）: この博士論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 我々は,完全量子学習タスク用に設計された分散量子ニューラルネットワーク(dqnns)を導入し,汎用量子計算が可能であり,学習時のメモリ要件も低い。 これらのネットワークは入力状態と所望の出力状態の形式でデータペアをトレーニングすることで最適化されるため、未知または信頼できない量子デバイスの特徴付けに使用できる。 我々は古典的シミュレーションを用いてDQNNの一般化挙動を実証するだけでなく、実際の量子コンピュータ上でもうまく実装する。 このような量子機械学習手法の究極的な限界を理解するために、一元的プロセスとしてモデル化され、量子例で最適化される量子デバイスがランダムな入力に対して誤った出力を与える確率の有界性を記述する量子noフリーランチ定理について論じる。 さらに、DQNNの応用範囲を2方向に拡大する。 量子デバイスは常に構造化されているので、結果として得られるデータは常に構造化されています。 トレーニングデータペアのグラフ構造に関する知識がトレーニングプロセスに含まれるように、DQNNのトレーニングアルゴリズムを変更し、これがより良い一般化行動をもたらすことを示す。 元のDQNNとグラフ構造を含むDQNNは、基礎となる関係を特徴づけるためにデータペアで訓練される。 しかし、アルゴリズムの第2拡張では、同様の性質を持つ量子状態に拡張するために、一連の量子状態の特性を学習することを目的としている。 そこで我々は,ジェネレータと識別器と呼ばれる2つのDQNNを競合的に訓練する生成逆数モデルを構築した。

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)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Supervised learning of random quantum circuits via scalable neural networks [0.0]
  深部畳み込みニューラルネットワーク(CNN)は、単一キュービットと2キュービットの期待値を予測するために訓練されている。 CNNは、回路深度、ネットワーク深度、トレーニングセットサイズによって、量子デバイスよりも優れていることが多い。
  論文  参考訳（メタデータ） (2022-06-21T13:05:52Z)
• Machine learning applications for noisy intermediate-scale quantum computers [0.0]
  NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。 これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。 近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-19T09:26:57Z)
• Dissipative quantum generative adversarial networks [0.0]
  2つの散逸型量子ニューラルネットワーク(DQNN)を用いた生成逆モデルを構築する。 両部を競争的に訓練することで,よく訓練されたDQNNが得られることがわかった。
  論文  参考訳（メタデータ） (2021-12-11T22:59:40Z)
• 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)
• 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)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)

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。