論文の概要: Image Classification by Throwing Quantum Kitchen Sinks at Tensor Networks

• arxiv url: http://arxiv.org/abs/2208.13895v1
• Date: Mon, 29 Aug 2022 21:38:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-28 14:25:37.099042
• Title: Image Classification by Throwing Quantum Kitchen Sinks at Tensor Networks
• Title（参考訳）: テンソルネットワークにおける量子キッチンシンクのスロー画像分類
• Authors: Nathan X. Kodama (Case Western Reserve University), Alex Bocharov (Microsoft Quantum), Marcus P. da Silva (Microsoft Quantum)
• Abstract要約: 量子機械学習のための新しい回路アンサッツを提案する。 画像分類における新しいアンザッツの性能を実証的に評価するための数値実験を行った。 機能最適化の追加により、パフォーマンスが大幅に向上し、画像分類のための最先端の量子回路が実現された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several variational quantum circuit approaches to machine learning have been proposed in recent years, with one promising class of variational algorithms involving tensor networks operating on states resulting from local feature maps. In contrast, a random feature approach known as quantum kitchen sinks provides comparable performance, but leverages non-local feature maps. Here we combine these two approaches by proposing a new circuit ansatz where a tree tensor network coherently processes the non-local feature maps of quantum kitchen sinks, and we run numerical experiments to empirically evaluate the performance of the new ansatz on image classification. From the perspective of classification performance, we find that simply combining quantum kitchen sinks with tensor networks yields no qualitative improvements. However, the addition of feature optimization greatly boosts performance, leading to state-of-the-art quantum circuits for image classification, requiring only shallow circuits and a small number of qubits -- both well within reach of near-term quantum devices.
• Abstract（参考訳）: 近年では、局所特徴写像から生じる状態で動作するテンソルネットワークを含む変分アルゴリズムの候補として、いくつかの変分量子回路アプローチが提案されている。 対照的に、quantum kitchen sinksとして知られるランダム機能アプローチは、同等のパフォーマンスを提供するが、非ローカル機能マップを利用する。 ここでは,量子キッチンシンクの非局所特徴マップをツリーテンソルネットワークがコヒーレントに処理する新しい回路 ansatz を提案し,数値実験を行い,画像分類における新しい ansatz の性能を実証的に評価する。 分類性能の観点からは、量子キッチンシンクとテンソルネットワークを単純に組み合わせるだけでは定性的な改善は得られない。 しかし、機能最適化の追加によりパフォーマンスが大幅に向上し、画像分類のための最先端の量子回路が実現し、浅い回路と少数の量子ビットが必要とされる。

関連論文リスト

• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• 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)
• Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
  本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。 提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。 この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
  論文  参考訳（メタデータ） (2022-03-29T09:07:18Z)
• New quantum neural network designs [0.0]
  本稿では,新しい量子ニューラルネットワークの設計性能について検討する。 我々は特徴マップと変分回路を1つのパラメータ化回路にマージする新しい手法を開発した。 損失の低減、精度の向上、収束の高速化を実現しています。
  論文  参考訳（メタデータ） (2022-03-12T10:20:14Z)
• Multi-class quantum classifiers with tensor network circuits for quantum phase recognition [0.0]
  ネットワークにインスパイアされた回路は、変分量子固有解回路の自然な選択として提案されている。 本稿では,ツリーテンソルネットワークとマルチスケール再正規化アンサッツ回路に基づくマルチクラスの絡み合いに関する数値実験を行う。
  論文  参考訳（メタデータ） (2021-10-15T21:55:13Z)
• An unsupervised feature learning for quantum-classical convolutional network with applications to fault detection [5.609958919699706]
  本稿では,量子特徴抽出器の階層構造を学習するために,量子古典的畳み込みネットワークのための単純な教師なし手法を提案する。 提案手法の主な貢献は、量子回路アンサッツにおける量子特性の差を最大化するために、$K$-meansクラスタリングを使用することである。
  論文  参考訳（メタデータ） (2021-07-17T03:16:59Z)
• Direct Quantization for Training Highly Accurate Low Bit-width Deep Neural Networks [73.29587731448345]
  本稿では,低ビット幅重みとアクティベーションで深部畳み込みニューラルネットワークを訓練する2つの新しい手法を提案する。 まず、ビット幅の少ない重みを得るため、既存の方法の多くは、全精度ネットワーク重みで量子化することにより量子化重みを得る。 第二に、低ビット幅のアクティベーションを得るために、既存の作品はすべてのチャネルを等しく考慮する。
  論文  参考訳（メタデータ） (2020-12-26T15:21:18Z)
• 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)
• Searching for Low-Bit Weights in Quantized Neural Networks [129.8319019563356]
  低ビットの重みとアクティベーションを持つ量子ニューラルネットワークは、AIアクセラレータを開発する上で魅力的なものだ。 本稿では、任意の量子化ニューラルネットワークにおける離散重みを探索可能な変数とみなし、差分法を用いて正確に探索する。
  論文  参考訳（メタデータ） (2020-09-18T09:13:26Z)
• Experimental realization of a quantum image classifier via tensor-network-based machine learning [4.030017427802459]
  我々は,フォトニックキュービットを用いた実写画像の分類に成功していることを示す。 我々は手書きゼロと手書きゼロのバイナリ分類に焦点をあて、その特徴をテンソル-ネットワーク表現にキャストする。 テンソル積表現における特徴の効率的なマルチキュービット符号化にスケールすることができる。
  論文  参考訳（メタデータ） (2020-03-19T03:26:27Z)

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。