論文の概要: Hierarchical quantum circuit representations for neural architecture search

• arxiv url: http://arxiv.org/abs/2210.15073v3
• Date: Sun, 7 May 2023 06:54:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 00:05:35.849970
• Title: Hierarchical quantum circuit representations for neural architecture search
• Title（参考訳）: ニューラルネットワーク探索のための階層型量子回路表現
• Authors: Matt Lourens, Ilya Sinayskiy, Daniel K. Park, Carsten Blank and Francesco Petruccione
• Abstract要約: 階層型量子回路を用いた機械学習(通常量子畳み込みニューラルネットワーク(QCNN)と呼ばれる)は、短期量子コンピューティングの有望な展望である。 ニューラルアーキテクチャサーチ(NAS)を用いたQCNNアーキテクチャを表現するための新しいフレームワークを提案する。 次に,音楽ジャンル分類データセットであるGTZANを用いて,このモデル群を評価し,回路アーキテクチャの重要性を正当化する。
• 参考スコア（独自算出の注目度）: 0.6562256987706128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning with hierarchical quantum circuits, usually referred to as Quantum Convolutional Neural Networks (QCNNs), is a promising prospect for near-term quantum computing. The QCNN is a circuit model inspired by the architecture of Convolutional Neural Networks (CNNs). CNNs are successful because they do not need manual feature design and can learn high-level features from raw data. Neural Architecture Search (NAS) builds on this success by learning network architecture and achieves state-of-the-art performance. However, applying NAS to QCNNs presents unique challenges due to the lack of a well-defined search space. In this work, we propose a novel framework for representing QCNN architectures using techniques from NAS, which enables search space design and architecture search. Using this framework, we generate a family of popular QCNNs, those resembling reverse binary trees. We then evaluate this family of models on a music genre classification dataset, GTZAN, to justify the importance of circuit architecture. Furthermore, we employ a genetic algorithm to perform Quantum Phase Recognition (QPR) as an example of architecture search with our representation. This work provides a way to improve model performance without increasing complexity and to jump around the cost landscape to avoid barren plateaus. Finally, we implement the framework as an open-source Python package to enable dynamic QCNN creation and facilitate QCNN search space design for NAS.
• Abstract（参考訳）: 階層型量子回路を用いた機械学習(通常量子畳み込みニューラルネットワーク(QCNN)と呼ばれる)は、短期量子コンピューティングの有望な展望である。 QCNNは、畳み込みニューラルネットワーク(CNN)のアーキテクチャにインスパイアされた回路モデルである。 CNNは手動の機能設計を必要とせず、生データから高レベルの機能を学ぶことができるため、成功している。 neural architecture search (nas)は、ネットワークアーキテクチャを学習することでこの成功を基盤とし、最先端のパフォーマンスを実現している。 しかし、nasをqcnnに適用することは、よく定義された検索空間がないため、ユニークな課題である。 本研究では,NASの手法を用いてQCNNアーキテクチャを表現し,検索空間の設計とアーキテクチャ検索を可能にする新しいフレームワークを提案する。 このフレームワークを用いて、逆二分木に似た人気QCNNのファミリーを生成する。 次に,音楽ジャンル分類データセットgtzan上で,このモデル群を評価し,回路アーキテクチャの重要性を正当化する。 さらに,この表現を用いたアーキテクチャ探索の例として,量子位相認識(QPR)を行う遺伝的アルゴリズムを用いる。 この作業は、複雑さを増すことなくモデルパフォーマンスを改善する方法を提供し、不毛の高原を避けるためにコスト環境を飛び回る手段を提供する。 最後に、このフレームワークをオープンソースのPythonパッケージとして実装し、動的QCNN作成を可能にし、NASのためのQCNN検索空間設計を容易にする。

関連論文リスト

• DNA Family: Boosting Weight-Sharing NAS with Block-Wise Supervisions [121.05720140641189]
  蒸留型ニューラルアーキテクチャ(DNA)技術を用いたモデル群を開発した。 提案するDNAモデルでは,アルゴリズムを用いてサブサーチ空間にのみアクセス可能な従来の手法とは対照的に,すべてのアーキテクチャ候補を評価できる。 当社のモデルでは,モバイルコンボリューションネットワークと小型ビジョントランスフォーマーにおいて,ImageNet上で78.9%,83.6%の最先端トップ1精度を実現している。
  論文  参考訳（メタデータ） (2024-03-02T22:16:47Z)
• A Quantum Convolutional Neural Network Approach for Object Detection and Classification [0.0]
  QCNNの時間と精度は、異なる条件下での古典的なCNNやANNモデルと比較される。 この分析により、QCNNは、特定のアプリケーションにおける精度と効率の点で、古典的なCNNとANNのモデルより優れている可能性が示されている。
  論文  参考訳（メタデータ） (2023-07-17T02:38:04Z)
• Quantum Recurrent Neural Networks for Sequential Learning [11.133759363113867]
  近いうちに量子優位性のあるアプリケーションを見つけるために,新しい種類の量子リカレントニューラルネットワーク(QRNN)を提案する。 我々のQRNNは、量子デバイスのコヒーレント時間に関してアルゴリズムの要求を大幅に削減できる、停滞した方法でQRBを積み重ねることによって構築されます。 数値実験により,我々のQRNNは古典的RNNと最先端QNNモデルに対する予測(分類)精度が向上し,逐次学習が可能となった。
  論文  参考訳（メタデータ） (2023-02-07T04:04:39Z)
• Automating Neural Architecture Design without Search [3.651848964235307]
  アルゴリズム実行中に生成された各ニューラルネットワークを逐次評価する必要のない新しい視点から、自動アーキテクチャ設計について検討する。 リンク予測にグラフニューラルネットワークを用いて提案手法を実装し,NAS-Bench-101から知識を得た。 さらに、NAS-Bench-101から学んだ知識を利用して、DARTS検索空間におけるアーキテクチャ設計を自動化し、CIFAR10では97.82%、ImageNetでは76.51%の精度で2時間10-4ドルのGPU日しか消費しなかった。
  論文  参考訳（メタデータ） (2022-04-21T14:41:05Z)
• Search to aggregate neighborhood for graph neural network [47.47628113034479]
  そこで本研究では,データ固有のGNNアーキテクチャを自動的に設計するためのフレームワークとして,SANE(Search to Aggregate NEighborhood)を提案する。 新規で表現力のある検索空間を設計することにより,従来の強化学習法よりも効率的である微分可能な探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-14T03:15:19Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• Hierarchical Neural Architecture Search for Deep Stereo Matching [131.94481111956853]
  本稿では, ディープステレオマッチングのための最初のエンドツーエンド階層型NASフレームワークを提案する。 我々のフレームワークは、タスク固有の人間の知識をニューラルアーキテクチャ検索フレームワークに組み込んでいる。 KITTI stereo 2012、2015、Middleburyベンチマークで1位、SceneFlowデータセットで1位にランクインしている。
  論文  参考訳（メタデータ） (2020-10-26T11:57:37Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• NASCaps: A Framework for Neural Architecture Search to Optimize the Accuracy and Hardware Efficiency of Convolutional Capsule Networks [10.946374356026679]
  我々は,異なるタイプのディープニューラルネットワーク(DNN)のハードウェア対応NASの自動フレームワークであるNASCapsを提案する。 多目的遺伝的アルゴリズム(NSGA-IIアルゴリズム)の展開の有効性について検討する。 我々のフレームワークは、NASフローの特別なカプセル層と動的ルーティングをモデル化し、サポートする最初のフレームワークです。
  論文  参考訳（メタデータ） (2020-08-19T14:29:36Z)

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。