論文の概要: QSpeech: Low-Qubit Quantum Speech Application Toolkit
- arxiv url: http://arxiv.org/abs/2205.13221v1
- Date: Thu, 26 May 2022 08:33:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-28 02:44:37.433713
- Title: QSpeech: Low-Qubit Quantum Speech Application Toolkit
- Title(参考訳): QSpeech: 低量子量子音声アプリケーションツールキット
- Authors: Zhenhou Hong, Jianzong Wang, Xiaoyang Qu, Chendong Zhao, Wei Tao and
Jing Xiao
- Abstract要約: 低量子ビット量子デバイス上で動作している量子ニューラルネットワーク(QNN)は、変分量子回路(VQC)に基づいているため困難である。
本研究では,低量子VQCと呼ばれる新しいVQCを提案する。
VQCは入力次元に基づいて多数の量子ビットを必要とするが、線形変換を伴う低量子ビットVQCはこの条件を解放することができる。
- 参考スコア(独自算出の注目度): 33.5763913135086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum devices with low qubits are common in the Noisy Intermediate-Scale
Quantum (NISQ) era. However, Quantum Neural Network (QNN) running on low-qubit
quantum devices would be difficult since it is based on Variational Quantum
Circuit (VQC), which requires many qubits. Therefore, it is critical to make
QNN with VQC run on low-qubit quantum devices. In this study, we propose a
novel VQC called the low-qubit VQC. VQC requires numerous qubits based on the
input dimension; however, the low-qubit VQC with linear transformation can
liberate this condition. Thus, it allows the QNN to run on low-qubit quantum
devices for speech applications. Furthermore, as compared to the VQC, our
proposed low-qubit VQC can stabilize the training process more. Based on the
low-qubit VQC, we implement QSpeech, a library for quick prototyping of hybrid
quantum-classical neural networks in the speech field. It has numerous quantum
neural layers and QNN models for speech applications. Experiments on Speech
Command Recognition and Text-to-Speech show that our proposed low-qubit VQC
outperforms VQC and is more stable.
- Abstract(参考訳): 低量子ビットの量子デバイスは、ノイズ中間スケール量子(NISQ)時代に一般的である。
しかしながら、低量子ビット量子デバイス上で動作する量子ニューラルネットワーク(QNN)は、多くの量子ビットを必要とする変分量子回路(VQC)に基づいているため、難しい。
したがって、QNNとVQCを低量子ビットの量子デバイスで動作させることが重要である。
本研究では,低量子VQCと呼ばれる新しいVQCを提案する。
VQCは入力次元に基づいて多数の量子ビットを必要とするが、線形変換を伴う低量子ビットVQCはこの条件を解放することができる。
これにより、QNNは低量子ビットの量子デバイス上で音声アプリケーションを実行することができる。
さらに、VQCと比較して、提案した低ビットVQCはトレーニングプロセスをより安定させることができる。
低量子ビットVQCに基づいて、音声分野におけるハイブリッド量子古典ニューラルネットワークの高速プロトタイピングのためのライブラリQSpeechを実装した。
音声応用のための量子ニューラルネットワーク層とqnnモデルが多数存在する。
音声コマンド認識とテキスト音声合成の実験により、提案した低ビットVQCはVQCより優れ、より安定であることを示す。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳(メタデータ) (2024-11-13T23:56:20Z) - Delegated variational quantum algorithms based on quantum homomorphic
encryption [69.50567607858659]
変分量子アルゴリズム(VQA)は、量子デバイス上で量子アドバンテージを達成するための最も有望な候補の1つである。
クライアントのプライベートデータは、そのような量子クラウドモデルで量子サーバにリークされる可能性がある。
量子サーバが暗号化データを計算するための新しい量子ホモモルフィック暗号(QHE)スキームが構築されている。
論文 参考訳(メタデータ) (2023-01-25T07:00:13Z) - Expressive Quantum Perceptrons for Quantum Neuromorphic Computing [1.7636846875530183]
量子ニューロモルフィックコンピューティング(QNC)は量子機械学習(QML)のサブフィールドである
量子パーセプトロン(QP)と呼ばれるQNCアーキテクチャのためのビルディングブロックを提案する。
相互作用する量子ビットと可変結合定数のアナログダイナミクスに基づくQPの計算。
我々は、QPは制限された資源を持つ古典パーセプトロンと同等の量子であり、ニューロンの単純な数学的モデルであることを示す。
論文 参考訳(メタデータ) (2022-11-14T02:50:42Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳(メタデータ) (2022-09-22T21:54:28Z) - Universal expressiveness of variational quantum classifiers and quantum
kernels for support vector machines [0.0]
量子カーネルを用いた変分量子分類器(VQC)とサポートベクトルマシン(QSVM)は、k-Forrelation問題に基づく分類問題を解くことができることを示す。
この結果から,任意のBQP問題に対して,VQCとQSVMを効率的に解ける特徴写像と量子カーネルが存在することが示唆された。
論文 参考訳(メタデータ) (2022-07-12T22:03:31Z) - Quantum Neural Network Compression [23.206283554472787]
量子ニューラルネットワークと古典ニューラルネットワークの圧縮には相違点があることが示されている。
我々は、量子ニューラルネットワークを圧縮する最初の体系的フレームワーク、CompVQCを提案する。
論文 参考訳(メタデータ) (2022-07-04T16:57:46Z) - ScaleQC: A Scalable Framework for Hybrid Computation on Quantum and
Classical Processors [25.18520278107402]
量子処理ユニット(QPU)は、その量子ビットの要求量と品質の要求を満たす必要がある。
量子回路切断技術は、より強力なQPUを実現するために、大きな量子回路を複数の小さなサブ回路に切断して分散する。
われわれのツールはScaleQCと呼ばれ、新しいアルゴリズム技術を開発することでボトルネックに対処する。
論文 参考訳(メタデータ) (2022-07-03T01:44:31Z) - Quantum Volume in Practice: What Users Can Expect from NISQ Devices [0.9208007322096533]
量子ボリューム(QV)は、ノイズ中間スケール量子(NISQ)デバイスの性能を定量化するデファクト標準ベンチマークとなっている。
我々は、現在IBM Q、IonQ、Rigetti、Oxford Quantum Circuits、Quantinuumが提供している24のNISQデバイス上で、独自のQV計算を行っている。
論文 参考訳(メタデータ) (2022-03-08T02:31:26Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳(メタデータ) (2020-11-12T08:32:04Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳(メタデータ) (2020-07-24T06:34:34Z)
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。