論文の概要: Theory for Equivariant Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2210.08566v1
- Date: Sun, 16 Oct 2022 15:42:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 17:49:38.291129
- Title: Theory for Equivariant Quantum Neural Networks
- Title(参考訳): 等価量子ニューラルネットワークの理論
- Authors: Quynh T. Nguyen, Louis Schatzki, Paolo Braccia, Michael Ragone,
Patrick J. Coles, Frederic Sauvage, Martin Larocca, M. Cerezo
- Abstract要約: 我々は、同変量子ニューラルネットワークを理解し、分類し、設計し、実装するための一般的な理論的枠組みを提案する。
我々のフレームワークは量子機械学習のほぼすべての領域に容易に適用でき、不毛の台地、ローカルのミニマ不足、サンプルの複雑さといった中心的な課題を緩和することを期待しています。
- 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: Most currently used quantum neural network architectures have little-to-no
inductive biases, leading to trainability and generalization issues. Inspired
by a similar problem, recent breakthroughs in classical machine learning
address this crux by creating models encoding the symmetries of the learning
task. This is materialized through the usage of equivariant neural networks
whose action commutes with that of the symmetry. In this work, we import these
ideas to the quantum realm by presenting a general theoretical framework to
understand, classify, design and implement equivariant quantum neural networks.
As a special implementation, we show how standard quantum convolutional neural
networks (QCNN) can be generalized to group-equivariant QCNNs where both the
convolutional and pooling layers are equivariant under the relevant symmetry
group. Our framework can be readily applied to virtually all areas of quantum
machine learning, and provides hope to alleviate central challenges such as
barren plateaus, poor local minima, and sample complexity.
- Abstract(参考訳): 現在使われているほとんどの量子ニューラルネットワークアーキテクチャは、ほとんどインダクティブバイアスがなく、トレーニング容易性と一般化の問題に繋がる。
同様の問題に触発された最近の古典的機械学習のブレークスルーは、学習タスクの対称性を符号化するモデルを作成することで、この危機に対処している。
これは、作用が対称性と通勤する同変ニューラルネットワークの使用によって実現される。
本研究では、等価量子ニューラルネットワークを理解し、分類し、設計し、実装するための一般的な理論的枠組みを提示することにより、これらのアイデアを量子領域にインポートする。
特殊実装として、標準量子畳み込みニューラルネットワーク(QCNN)が、関連する対称性群の下で、畳み込み層とプーリング層の両方が同変であるグループ同変QCNNにどのように一般化できるかを示す。
私たちのフレームワークは、量子機械学習のほぼすべての領域に容易に適用でき、不毛高原、貧弱なローカルミニマ、サンプル複雑性といった中心的な課題を軽減できることを期待しています。
関連論文リスト
- Quantum machine learning for image classification [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳(メタデータ) (2023-03-10T11:24:32Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - A duplication-free quantum neural network for universal approximation [0.8399688944263843]
量子ニューラルネットワークの普遍性は、任意の関数を近似する能力を指す。
本稿では,重複のない量子ニューラルネットワークの普遍性を厳密に証明できる簡単な設計法を提案する。
論文 参考訳(メタデータ) (2022-11-21T07:43:32Z) - Exponentially Many Local Minima in Quantum Neural Networks [9.442139459221785]
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と同じような約束のため、重要な量子アプリケーションである。
我々は,QNNの損失関数のランドスケープを定量的に調査し,トレーニング用に単純だが極めて難しいQNNインスタンスのクラスを同定する。
我々は、我々の構成が、典型的な勾配ベースの回路で実際に難しい事例となることを実証的に確認する。
論文 参考訳(メタデータ) (2021-10-06T03:23:44Z) - Quantum-enhanced neural networks in the neural tangent kernel framework [0.4394730767364254]
量子データエンコーダとcNNを組み合わせたqcNNのクラスについて検討する。
cNNの番号ノードが無限に大きくなるNTK状態において、qcNN全体の出力は、いわゆる射影量子カーネルの非線形関数となる。
論文 参考訳(メタデータ) (2021-09-08T17:16:23Z) - The dilemma of quantum neural networks [63.82713636522488]
量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。
QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。
これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
論文 参考訳(メタデータ) (2021-06-09T10:41:47Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳(メタデータ) (2020-10-21T09:46:12Z) - Generalization Study of Quantum Neural Network [11.52403843165666]
一般化はニューラルネットワークの重要な特徴であり、それについて多くの研究がなされている。
量子ゲートによって構築された量子ニューラルネットワークのクラスについて検討した。
我々のモデルは、同じ構造を持つ古典的ニューラルネットワークよりも優れた一般化を持つ。
論文 参考訳(メタデータ) (2020-06-02T06:10:19Z) - 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。