論文の概要: Recent Advances for Quantum Neural Networks in Generative Learning

• arxiv url: http://arxiv.org/abs/2206.03066v1
• Date: Tue, 7 Jun 2022 07:32:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 03:46:47.130945
• Title: Recent Advances for Quantum Neural Networks in Generative Learning
• Title（参考訳）: 生成学習における量子ニューラルネットワークの最近の進歩
• Authors: Jinkai Tian, Xiaoyu Sun, Yuxuan Du, Shanshan Zhao, Qing Liu, Kaining Zhang, Wei Yi, Wanrong Huang, Chaoyue Wang, Xingyao Wu, Min-Hsiu Hsieh, Tongliang Liu, Wenjing Yang, Dacheng Tao
• Abstract要約: 量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
• 参考スコア（独自算出の注目度）: 98.88205308106778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computers are next-generation devices that hold promise to perform calculations beyond the reach of classical computers. A leading method towards achieving this goal is through quantum machine learning, especially quantum generative learning. Due to the intrinsic probabilistic nature of quantum mechanics, it is reasonable to postulate that quantum generative learning models (QGLMs) may surpass their classical counterparts. As such, QGLMs are receiving growing attention from the quantum physics and computer science communities, where various QGLMs that can be efficiently implemented on near-term quantum machines with potential computational advantages are proposed. In this paper, we review the current progress of QGLMs from the perspective of machine learning. Particularly, we interpret these QGLMs, covering quantum circuit born machines, quantum generative adversarial networks, quantum Boltzmann machines, and quantum autoencoders, as the quantum extension of classical generative learning models. In this context, we explore their intrinsic relation and their fundamental differences. We further summarize the potential applications of QGLMs in both conventional machine learning tasks and quantum physics. Last, we discuss the challenges and further research directions for QGLMs.
• Abstract（参考訳）: 量子コンピュータ(quantum computers)は、古典的コンピュータの範囲を超えて計算を行う、次世代のデバイスである。 この目標を達成するための主要な方法は、量子機械学習、特に量子生成学習である。 量子力学の本質的な確率論的性質のため、量子生成学習モデル(QGLM)が古典的モデルを上回る可能性があると仮定することは妥当である。 そのため、量子物理学や計算機科学のコミュニティでは、計算能力の利点のある短期量子マシンに効率的に実装できる様々なqglmが提案されている。 本稿では,機械学習の観点から,QGLMの現状を概観する。 特に、量子回路生成機、量子生成逆数ネットワーク、量子ボルツマンマシン、量子オートエンコーダを古典的生成学習モデルの量子拡張として記述し、これらのQGLMを解釈する。 この文脈で、我々はそれらの本質的関係とその根本的な違いを探求する。 さらに,従来の機械学習タスクと量子物理学におけるqglmsの応用可能性についても概説する。 最後に,QGLMの課題と今後の研究方向性について論じる。

関連論文リスト

• Shedding Light on the Future: Exploring Quantum Neural Networks through Optics [3.1935899800030096]
  量子ニューラルネットワーク(QNN)は、急速に発展する量子機械学習分野において、新興技術として重要な役割を果たす。 本稿では,QNNの概念とその物理的実現,特に量子光学に基づく実装について概説する。
  論文  参考訳（メタデータ） (2024-09-04T08:49:57Z)
• A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
  この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。 また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。 量子ニューラルネットワークの潜在的な利点を例に挙げる。
  論文  参考訳（メタデータ） (2024-02-22T16:48:17Z)
• Quantum Generative Adversarial Networks: Bridging Classical and Quantum Realms [0.6827423171182153]
  GAN(Generative Adversarial Networks)領域における古典的および量子コンピューティングパラダイムの相乗的融合について検討する。 我々の目的は、量子計算要素を従来のGANアーキテクチャにシームレスに統合し、トレーニングプロセスの強化のために新しい経路を開放することである。 この研究は量子化機械学習の最前線に位置し、量子システムの計算能力を活用するための重要な一歩である。
  論文  参考訳（メタデータ） (2023-12-15T16:51:36Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Challenges and Opportunities in Quantum Machine Learning [2.5671549335906367]
  量子機械学習(QML)は、特に量子データに対して、データ分析を加速する可能性がある。 ここでは、QMLの現在の方法と応用について概観する。 量子ニューラルネットワークと量子ディープラーニングに焦点をあてて、量子と古典的な機械学習の違いを強調します。
  論文  参考訳（メタデータ） (2023-03-16T17:10:39Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• 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)

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。