論文の概要: QSAN: A Near-term Achievable Quantum Self-Attention Network
- arxiv url: http://arxiv.org/abs/2207.07563v1
- Date: Thu, 14 Jul 2022 12:22:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 13:40:30.596044
- Title: QSAN: A Near-term Achievable Quantum Self-Attention Network
- Title（参考訳）: QSAN: 達成可能な量子自己アテンションネットワーク
- Authors: Ren-xin Zhao and Jinjing Shi and Shichao Zhang
- Abstract要約: 自己認識機構は量子機械学習の分野では比較的研究されていない。
量子自己保持ネットワーク(QSAN)は、短期量子コンピュータ上で実装することができる。
QSANは、少量のデータサンプルを持つ量子コンピュータでテストされる。
- 参考スコア（独自算出の注目度）: 5.216643081545089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-attention mechanism, an important component of machine learning, has
been relatively little investigated in the field of quantum machine learning.
Inspired by the variational Quantum Algorithm (VQA) framework and classical
selfattention mechanism, Quantum Self-Attention Network (QSAN) that can be
implemented on a near-term quantum computer is proposed. Theoretically, Quantum
Self-Attention Mechanism (QSAM) is defined, which is a new interpretation of
the classical self-attention mechanism after linearization and logicalization.
Quantum Logical Similarity (QLS) is one of the cores of QSAM, which replaces
the similarity operation of inner product with logical operation, allowing a
better execution of QSAM on quantum computers. Quantum Bit Self-Attention Score
Matrix (QBSASM) is another centerpiece, which is a QLS-based density matrix
used to represent the output distribution. In practice, QSAN is realized based
on the QSAM framework, and the concept of quantum coordinates is introduced to
simplify circuit design. Finally, QSAN is tested on a quantum computer with a
small sample of data, laying the foundation for Quantum Natural Language
Processing (QNLP).
- Abstract（参考訳）: 機械学習の重要な構成要素である自己認識機構は、量子機械学習の分野で比較的研究されていない。
変分量子アルゴリズム(vqa)フレームワークと古典的自己アテンション機構に着想を得て、近距離量子コンピュータに実装可能な量子自己アテンションネットワーク(qsan)を提案する。
理論的には、量子自己認識機構(QSAM)が定義されており、線形化および論理化後の古典的自己認識機構の新たな解釈である。
量子論理的類似性(quantum Logical similarity, QLS)はQSAMのコアの1つであり、内部積の類似性操作を論理演算に置き換え、量子コンピュータ上でQSAMのより良い実行を可能にする。
Quantum Bit Self-Attention Score Matrix (QBSASM) は、出力分布を表すために使用されるQLSベースの密度行列である。
実際にQSANはQSAMフレームワークに基づいて実現され、回路設計を単純化するために量子座標の概念が導入された。
最後に、QSANは小さなサンプルデータを持つ量子コンピュータ上でテストされ、量子自然言語処理(QNLP)の基礎となる。
関連論文リスト
- Mixed-Dimensional Qudit State Preparation Using Edge-Weighted Decision Diagrams [3.393749500700096]
量子コンピュータは難解な問題を解く可能性がある。
このポテンシャルを利用するための重要な要素の1つは、多値系(qudit)のために量子状態を効率的に準備する能力である。
本稿では,混合次元系に着目した量子状態生成法について検討する。
論文 参考訳（メタデータ） (2024-06-05T18:00:01Z) - Quantum Mixed-State Self-Attention Network [3.1280831148667105]
本稿では、量子コンピューティングの原理と古典的な機械学習アルゴリズムを統合する新しい量子混合状態注意ネットワーク(QMSAN)を紹介する。
QMSANモデルは混合状態に基づく量子アテンション機構を採用し、量子領域内のクエリとキー間の類似性を効率的に直接推定することを可能にする。
本研究は,QMSANが低雑音に対する可換ロバスト性を有することを示すため,異なる量子雑音環境におけるモデルのロバスト性について検討した。
論文 参考訳（メタデータ） (2024-03-05T11:29:05Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Exploiting the Quantum Advantage for Satellite Image Processing: Review
and Assessment [1.3597551064547502]
本稿では,地球観測(EO)と衛星画像における量子コンピューティングの現状について述べる。
衛星データを扱う際の量子学習モデルの潜在的な限界と応用について分析する。
論文 参考訳（メタデータ） (2023-08-18T10:34:34Z) - A natural NISQ model of quantum self-attention mechanism [11.613292674155685]
SAM(Self-attention mechanism)は、様々な応用において顕著な成功を収めている。
量子ニューラルネットワーク(QNN)は,新しい学習モデルとして開発されている。
我々はQNNにSAMを実装する全く自然な方法を提案し、量子自己認識機構(QSAM)を導いた。
論文 参考訳（メタデータ） (2023-05-25T03:09:17Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳（メタデータ） (2022-10-03T09:32:28Z) - Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。
本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文 参考訳（メタデータ） (2022-09-16T02:37:32Z) - 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) - 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)
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。