Fugu-MT 論文翻訳(概要): Scalable Quantum Neural Networks for Classification

論文の概要: Scalable Quantum Neural Networks for Classification

arxiv url: http://arxiv.org/abs/2208.07719v1
Date: Thu, 4 Aug 2022 20:35:03 GMT
ステータス: 処理完了
システム内更新日: 2022-08-28 22:21:12.972393
Title: Scalable Quantum Neural Networks for Classification
Title（参考訳）: 分類のためのスケーラブル量子ニューラルネットワーク
Authors: Jindi Wu, Zeyi Tao, Qun Li
Abstract要約: 本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。 SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
参考スコア（独自算出の注目度）: 11.839990651381617
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many recent machine learning tasks resort to quantum computing to improve classification accuracy and training efficiency by taking advantage of quantum mechanics, known as quantum machine learning (QML). The variational quantum circuit (VQC) is frequently utilized to build a quantum neural network (QNN), which is a counterpart to the conventional neural network. Due to hardware limitations, however, current quantum devices only allow one to use few qubits to represent data and perform simple quantum computations. The limited quantum resource on a single quantum device degrades the data usage and limits the scale of the quantum circuits, preventing quantum advantage to some extent. To alleviate this constraint, we propose an approach to implementing a scalable quantum neural network (SQNN) by utilizing the quantum resource of multiple small-size quantum devices cooperatively. In an SQNN system, several quantum devices are used as quantum feature extractors, extracting local features from an input instance in parallel, and a quantum device works as a quantum predictor, performing prediction over the local features collected through classical communication channels. The quantum feature extractors in the SQNN system are independent of each other, so one can flexibly use quantum devices of varying sizes, with larger quantum devices extracting more local features. Especially, the SQNN can be performed on a single quantum device in a modular fashion. Our work is exploratory and carried out on a quantum system simulator using the TensorFlow Quantum library. The evaluation conducts a binary classification on the MNIST dataset. It shows that the SQNN model achieves a comparable classification accuracy to a regular QNN model of the same scale. Furthermore, it demonstrates that the SQNN model with more quantum resources can significantly improve classification accuracy.
Abstract（参考訳）: 最近の機械学習タスクの多くは、量子機械学習(qml)として知られる量子力学を活用し、分類精度とトレーニング効率を向上させるために量子コンピューティングに頼っている。変分量子回路(VQC)は、従来のニューラルネットワークに対抗する量子ニューラルネットワーク(QNN)を構築するために頻繁に使用される。しかし、ハードウェアの制限のため、現在の量子デバイスでは、データ表現と単純な量子計算に数キュービットしか使用できない。単一の量子デバイス上の制限された量子リソースは、データ使用量を低下させ、量子回路のスケールを制限する。この制約を緩和するために,複数の小型量子デバイスの量子資源を協調的に活用し,スケーラブルな量子ニューラルネットワーク(sqnn)を実現する手法を提案する。 SQNNシステムでは、いくつかの量子デバイスを量子特徴抽出器として使用し、入力インスタンスから並列に局所的特徴を抽出し、量子デバイスは量子予測器として機能し、古典的な通信チャネルを通じて収集された局所的特徴の予測を行う。 SQNNシステムの量子特徴抽出器は互いに独立しているため、様々なサイズの量子デバイスを柔軟に使用でき、より大きな量子デバイスはより局所的な特徴を抽出することができる。特に、SQNNはモジュラー方式で単一の量子デバイス上で実行することができる。我々の研究は探索的であり、tensorflow量子ライブラリを使用して量子システムシミュレータ上で実行される。評価は、MNISTデータセット上でバイナリ分類を行う。これは,SQNNモデルが同一スケールの正規QNNモデルに匹敵する分類精度を実現することを示す。さらに,量子資源を多く含むsqnnモデルは,分類精度を大幅に向上できることを示す。

関連論文リスト

Measurement-based quantum machine learning [0.0]
量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークの概念を量子データのための量子モデルに拡張するオブジェクトである。マルチトライアングルアンサッツ (MuTA) と呼ぶこのフレームワークで普遍的なQNNを提案する。
論文参考訳（メタデータ） (2024-05-14T05:17:01Z)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
QuCNN : A Quantum Convolutional Neural Network with Entanglement Based Backpropagation [9.760266670459446]
QuCNNはパラメータ化されたマルチ量子状態ベースのニューラルネットワーク層で、各量子フィルタ状態と各量子データ状態の類似性を演算する。バック伝搬は単一アンシラビット量子ルーチンによって達成できる。 MNISTイメージの小さなサブセットにデータ状態とフィルタ状態の畳み込み層を適用して検証する。
論文参考訳（メタデータ） (2022-10-11T13:36:15Z)
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 Neuron with Separable-State Encoding [0.0]
現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
論文参考訳（メタデータ） (2022-02-16T19:26:23Z)
Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。 QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文参考訳（メタデータ） (2021-06-17T12:02:01Z)
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)
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)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。