論文の概要: QSAN: A Near-term Achievable Quantum Self-Attention Network
- arxiv url: http://arxiv.org/abs/2207.07563v4
- Date: Sat, 5 Aug 2023 08:16:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 01:09:13.155854
- 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: Jinjing Shi and Ren-Xin Zhao and Wenxuan Wang and Shichao Zhang and
Xuelong Li
- Abstract要約: SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
- 参考スコア（独自算出の注目度）: 73.15524926159702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-Attention Mechanism (SAM) is good at capturing the internal connections
of features and greatly improves the performance of machine learning models,
espeacially requiring efficient characterization and feature extraction of
high-dimensional data. A novel Quantum Self-Attention Network (QSAN) is
proposed for image classification tasks on near-term quantum devices. First, a
Quantum Self-Attention Mechanism (QSAM) including Quantum Logic Similarity
(QLS) and Quantum Bit Self-Attention Score Matrix (QBSASM) is explored as the
theoretical basis of QSAN to enhance the data representation of SAM. QLS is
employed to prevent measurements from obtaining inner products to allow QSAN to
be fully implemented on quantum computers, and QBSASM as a result of the
evolution of QSAN to produce a density matrix that effectively reflects the
attention distribution of the output. Then, the framework for one-step
realization and quantum circuits of QSAN are designed for fully considering the
compression of the measurement times to acquire QBSASM in the intermediate
process, in which a quantum coordinate prototype is introduced as well in the
quantum circuit for describing the mathematical relation between the output and
control bits to facilitate programming. Ultimately, the method comparision and
binary classification experiments on MNIST with the pennylane platform
demonstrate that QSAN converges about 1.7x and 2.3x faster than
hardware-efficient ansatz and QAOA ansatz respevtively with similar parameter
configurations and 100% prediction accuracy, which indicates it has a better
learning capability. QSAN is quite suitable for fast and in-depth analysis of
the primary and secondary relationships of image and other data, which has
great potential for applications of quantum computer vision from the
perspective of enhancing the information extraction ability of models.
- Abstract（参考訳）: SAM(Self-Attention Mechanism)は、特徴の内部接続を捉えるのに優れ、機械学習モデルの性能を大幅に向上させ、高次元データの効率的なキャラクタリゼーションと特徴抽出を必要とする。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
まず,Quantum Logic similarity (QLS) とQuantum Bit Self-Attention Score Matrix (QBSASM) を含むQSAM(Quantum Self-Attention Mechanism) をQSANの理論的基礎として検討し,SAMのデータ表現を強化する。
QLSは、QSANが量子コンピュータ上で完全に実装されるように内部積を得るのを防ぐために使用され、QSANの進化によりQBSASMは、出力の注意分布を効果的に反映する密度行列を生成する。
そして、量子座標のプロトタイプが導入された中間過程において、測定時間の圧縮を十分に考慮し、qbsasmを取得するためのqsanの一段階実現と量子回路の枠組みを、出力と制御ビットとの数学的関係を記述する量子回路において設計し、プログラミングを容易にする。
最終的に、Pennylaneプラットフォームを用いたMNISTの手法比較とバイナリ分類実験により、QSANはハードウェア効率の良いアンサッツとQAOAアンサッツよりも約1.7倍、約2.3倍の速度で収束し、同様のパラメータ構成と100%の予測精度で再現できることを示した。
qsanは、画像および他のデータの一次および二次関係の高速かつ詳細な解析に非常に適しており、モデルの情報抽出能力向上の観点から量子コンピュータビジョンの応用に大きな可能性がある。
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,自然言語処理タスクのためのQMSAN(Quantum Mixed-State Self-Attention Network)を提案する。
QMSANは混合状態に基づく量子アテンション機構を使用し、量子領域内のクエリとキー間の直接的な類似度推定を可能にする。
また、回路内の固定量子ゲートを介して実装された革新的な量子位置符号化方式を提案し、追加の量子ビットリソースを使わずにシーケンス情報をキャプチャする能力を向上させる。
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。