論文の概要: On Physics-Informed Neural Networks for Quantum Computers
- arxiv url: http://arxiv.org/abs/2209.14754v2
- Date: Mon, 17 Oct 2022 12:31:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 19:18:53.978966
- Title: On Physics-Informed Neural Networks for Quantum Computers
- Title(参考訳): 量子コンピュータのための物理インフォームドニューラルネットワークについて
- Authors: Stefano Markidis
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、科学計算問題を解決する強力なツールとして登場した。
本稿では,QPU(Quantum Processing Unit)コプロセッサを用いたPINNの設計,実装,性能について検討する。
量子PINNの場合の探索学習環境は古典的なPINNほど効果的ではなく、基礎的なグラディエントDescent(SGD)アルゴリズムは適応性と高次Descentsより優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-Informed Neural Networks (PINN) emerged as a powerful tool for
solving scientific computing problems, ranging from the solution of Partial
Differential Equations to data assimilation tasks. One of the advantages of
using PINN is to leverage the usage of Machine Learning computational
frameworks relying on the combined usage of CPUs and co-processors, such as
accelerators, to achieve maximum performance. This work investigates the
design, implementation, and performance of PINNs, using the Quantum Processing
Unit (QPU) co-processor. We design a simple Quantum PINN to solve the
one-dimensional Poisson problem using a Continuous Variable (CV) quantum
computing framework. We discuss the impact of different optimizers, PINN
residual formulation, and quantum neural network depth on the quantum PINN
accuracy. We show that the optimizer exploration of the training landscape in
the case of quantum PINN is not as effective as in classical PINN, and basic
Stochastic Gradient Descent (SGD) optimizers outperform adaptive and high-order
optimizers. Finally, we highlight the difference in methods and algorithms
between quantum and classical PINNs and outline future research challenges for
quantum PINN development.
- Abstract(参考訳): 物理情報ニューラルネットワーク(PINN)は、偏微分方程式の解からデータ同化タスクまで、科学計算問題を解決する強力なツールとして登場した。
PINNを使用する利点の1つは、CPUとアクセラレータなどのコプロセッサの併用による機械学習計算フレームワークの利用を利用して、最大限のパフォーマンスを実現することである。
本稿では,量子処理ユニット(qpu)コプロセッサを用いてピンの設計,実装,性能について検討する。
連続変数(cv)量子計算フレームワークを用いて,1次元ポアソン問題を解くための単純な量子ピンを設計した。
我々は、異なるオプティマイザ、PINN残差定式化、量子ニューラルネットワーク深度が量子PINN精度に与える影響について論じる。
量子PINNの場合のトレーニングランドスケープのオプティマイザ探索は従来のPINNほど効果的ではなく、SGD(Stochastic Gradient Descent)オプティマイザは適応性と高次オプティマイザより優れていた。
最後に,量子ピンと古典ピンの方法とアルゴリズムの違いを強調し,量子ピン開発における今後の研究課題について概説する。
関連論文リスト
- Graph Learning for Parameter Prediction of Quantum Approximate
Optimization Algorithm [14.554010382366302]
量子近似最適化(Quantum Approximate Optimization, QAOA)は、Max-Cutの問題を効率的に解く可能性において際立っている。
我々は,GNNをウォームスタート手法として,グラフニューラルネットワーク(GNN)を用いてQAOAを最適化する。
以上の結果から,量子コンピューティングにおけるGNNのQAOA性能向上の可能性が示唆され,量子古典的ハイブリッドコンピューティングへの新たな道が開かれた。
論文 参考訳(メタデータ) (2024-03-05T20:23:25Z) - Splitting and Parallelizing of Quantum Convolutional Neural Networks for
Learning Translationally Symmetric Data [0.0]
分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。
量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。
本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
論文 参考訳(メタデータ) (2023-06-12T18:00:08Z) - Ensemble learning for Physics Informed Neural Networks: a Gradient
Boosting approach [4.246111018621605]
段階的強化(GB)と呼ばれる新しい訓練パラダイムを提案する。
与えられたPDEの解を1つのニューラルネットワークで直接学習する代わりに、我々のアルゴリズムは、より優れた結果を得るために、一連のニューラルネットワークを用いています。
この研究は、PINNでアンサンブル学習技術を採用するための扉も開ける。
論文 参考訳(メタデータ) (2023-02-25T19:11:44Z) - 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) - DQC$^2$O: Distributed Quantum Computing for Collaborative Optimization
in Future Networks [54.03701670739067]
本稿では、将来のネットワークにおける最適化タスクを解決するために、量子コンピュータと量子チャネルを管理するための適応型分散量子コンピューティング手法を提案する。
提案手法に基づいて,スマートグリッド管理やIoT連携,UAV軌道計画など,今後のネットワークにおける協調最適化の潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-09-16T02:44:52Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳(メタデータ) (2022-09-01T17:08:41Z) - Enforcing Continuous Physical Symmetries in Deep Learning Network for
Solving Partial Differential Equations [3.6317085868198467]
我々は,PDEのリー対称性によって誘導される不変表面条件をPINNの損失関数に組み込む,新しい対称性を持つ物理情報ニューラルネットワーク(SPINN)を提案する。
SPINNは、トレーニングポイントが少なく、ニューラルネットワークのよりシンプルなアーキテクチャで、PINNよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-06-19T00:44:22Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳(メタデータ) (2022-05-27T03:24:31Z) - Revisiting PINNs: Generative Adversarial Physics-informed Neural
Networks and Point-weighting Method [70.19159220248805]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する
本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。
本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
論文 参考訳(メタデータ) (2022-05-18T06:50:44Z) - 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)
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。