論文の概要: Case study on quantum convolutional neural network scalability
- arxiv url: http://arxiv.org/abs/2207.07160v1
- Date: Thu, 14 Jul 2022 18:39:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 14:33:07.906748
- Title: Case study on quantum convolutional neural network scalability
- Title（参考訳）: 量子畳み込みニューラルネットワークのスケーラビリティに関する事例研究
- Authors: Marina O. Lisnichenko, Stanislav I. Protasov
- Abstract要約: 中間測定ステップをスキップすることで,処理時間を短縮しつつ,入力データの量を増やすことを目指していた。
この仮説は出力平均二乗誤差(MSE)の観点から部分的に確認されており、古典的畳み込みニューラルネットワーク(CNN)トレーニングの結果0.25から、量子畳み込みニューラルネットワーク(QCNN)トレーニングの結果0.23に低下した。
- 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: One of the crucial tasks in computer science is the processing time reduction
of various data types, i.e., images, which is important for different fields --
from medicine and logistics to virtual shopping. Compared to classical
computers, quantum computers are capable of parallel data processing, which
reduces the data processing time. This quality of quantum computers inspired
intensive research of the potential of quantum technologies applicability to
real-life tasks. Some progress has already revealed on a smaller volumes of the
input data. In this research effort, I aimed to increase the amount of input
data (I used images from 2 x 2 to 8 x 8), while reducing the processing time,
by way of skipping intermediate measurement steps. The hypothesis was that, for
increased input data, the omitting of intermediate measurement steps after each
quantum convolution layer will improve output metric results and accelerate
data processing. To test the hypothesis, I performed experiments to chose the
best activation function and its derivative in each network. The hypothesis was
partly confirmed in terms of output mean squared error (MSE) -- it dropped from
0.25 in the result of classical convolutional neural network (CNN) training to
0.23 in the result of quantum convolutional neural network (QCNN) training. In
terms of the training time, however, which was 1.5 minutes for CNN and 4 hours
37 minutes in the least lengthy training iteration, the hypothesis was
rejected.
- Abstract（参考訳）: コンピュータ科学における重要な課題の1つは、様々なデータタイプ、すなわち、医療や物流から仮想ショッピングに至るまで、さまざまな分野において重要な画像の処理時間短縮である。
従来のコンピュータと比較すると、量子コンピュータは並列データ処理が可能であり、データ処理時間を短縮できる。
この量子コンピュータの品質は、現実のタスクに適用可能な量子技術のポテンシャルの集中的な研究に影響を与えた。
入力データの少ないボリュームですでにいくつかの進歩が明らかになっている。
本研究では, 中間計測ステップをスキップしながら, 入力データ量(画像使用量2 x 2 から 8 x 8 まで)を増加させながら, 処理時間を短縮することを目的とした。
この仮説は、入力データの増加に対して、各量子畳み込み層が出力測定結果を改善し、データ処理を加速すると仮定した。
仮説を検証するために,各ネットワークの最適活性化関数とその導関数を選定する実験を行った。
この仮説は出力平均二乗誤差(MSE)の観点から部分的に確認されており、古典的畳み込みニューラルネットワーク(CNN)トレーニングの結果0.25から、量子畳み込みニューラルネットワーク(QCNN)トレーニングの結果0.23に低下した。
しかし,cnnでは1.5分,長期トレーニングでは4時間37分であったトレーニング時間に関しては,仮説は否定された。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Echo-evolution data generation for quantum error mitigation via neural networks [0.0]
本稿では,ニューラルネットワークによる量子エラー軽減のためのトレーニングデータを生成する物理動機付け手法を提案する。
この方法では、初期状態は前後に進化し、進化の終わりに初期状態に戻る。
我々は、エコー進化生成データに基づいてトレーニングされたフィードフォワード完全連結ニューラルネットワークが、フォワード・イン・タイム進化の結果を補正できることを実証した。
論文 参考訳（メタデータ） (2023-11-01T12:40:10Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳（メタデータ） (2023-06-14T01:24:42Z) - Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳（メタデータ） (2023-06-06T08:06:43Z) - A Quantum Optical Recurrent Neural Network for Online Processing of
Quantum Times Series [0.7087237546722617]
量子光リカレントニューラルネットワーク(QORNN)は,量子チャネルの伝送速度を高めることができることを示す。
また、同モデルが不要であれば、同様のメモリ効果に対処できることも示している。
我々は、この最後のタスクの小さなバージョンをフォトニックプロセッサのBorealis上で実行します。
論文 参考訳（メタデータ） (2023-05-31T19:19:25Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T07:46:54Z) - Comparing concepts of quantum and classical neural network models for
image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。
シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文 参考訳（メタデータ） (2021-08-19T18:49:30Z) - 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) - A Hybrid System for Learning Classical Data in Quantum States [13.900722734372254]
我々は、量子状態を通して古典的なデータを学習するためのハイブリッドで汎用的な量子フレームワークGenQuを提案する。
我々は、実際のデータセットを用いてGenQuを評価し、シミュレーションと実量子コンピュータIBM-Qの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-01T04:17:33Z) - A Dual-Dimer Method for Training Physics-Constrained Neural Networks
with Minimax Architecture [6.245537312562826]
ミニマックス探索アルゴリズム(PCNN-MM)による物理制約ニューラルネットワーク(PCNN)の訓練
DualDimerと呼ばれる新しいサドルポイントアルゴリズムは、ニューラルネットワークデータの高次サドルポイントを探索するために使用される。
PCNN-MMの収束重みは従来のPCNNよりも高速である。
論文 参考訳（メタデータ） (2020-05-01T21:26:04Z)
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。