論文の概要: An Invitation to Distributed Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2211.07056v1
- Date: Mon, 14 Nov 2022 00:27:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 20:12:14.454808
- Title: An Invitation to Distributed Quantum Neural Networks
- Title(参考訳): 分散量子ニューラルネットワークへの招待
- Authors: Lirand\"e Pira, Chris Ferrie
- Abstract要約: 分散量子ニューラルネットワークにおける技術の現状を概観する。
量子データセットの分布は、量子モデルの分布よりも古典的な分布と類似性があることが分かる。
- 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: Deep neural networks have established themselves as one of the most promising
machine learning techniques. Training such models at large scales is often
parallelized, giving rise to the concept of distributed deep learning.
Distributed techniques are often employed in training large models or large
datasets either out of necessity or simply for speed. Quantum machine learning,
on the other hand, is the interplay between machine learning and quantum
computing. It seeks to understand the advantages of employing quantum devices
in developing new learning algorithms as well as improving the existing ones. A
set of architectures that are heavily explored in quantum machine learning are
quantum neural networks. In this review, we consider ideas from distributed
deep learning as they apply to quantum neural networks. We find that the
distribution of quantum datasets shares more similarities with its classical
counterpart than does the distribution of quantum models, though the unique
aspects of quantum data introduces new vulnerabilities to both approaches. We
review the current state of the art in distributed quantum neural networks,
including recent numerical experiments and the concept of circuit cutting.
- Abstract(参考訳): ディープニューラルネットワークは、最も有望な機械学習技術の1つとして確立されている。
このようなモデルを大規模にトレーニングすることは、しばしば並列化され、分散ディープラーニングの概念を生み出します。
分散技術は、必要から、あるいは単に速度のために、大規模モデルや大規模データセットのトレーニングに使用されることが多い。
一方、量子機械学習は、機械学習と量子コンピューティングの相互作用である。
新しい学習アルゴリズムの開発に量子デバイスを使うことの利点を理解し、既存のものを改善することを目指している。
量子機械学習で深く研究されているアーキテクチャのセットは、量子ニューラルネットワークである。
本稿では,分散ディープラーニングの考え方を量子ニューラルネットワークに適用する。
量子データセットの分布は、量子モデルの分布よりも従来のものと類似性が高いが、量子データのユニークな側面は、両方のアプローチに新たな脆弱性をもたらす。
本稿では,近年の数値実験と回路切断の概念を含む分散量子ニューラルネットワークにおける技術の現状について概説する。
関連論文リスト
- ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - Entanglement-Assisted Quantum Networks: Mechanics, Enabling
Technologies, Challenges, and Research Directions [66.27337498864556]
本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。
ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。
また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
論文 参考訳(メタデータ) (2023-07-24T02:48:22Z) - Deep learning of many-body observables and quantum information scrambling [0.0]
物理オブザーバブルの力学を学習する際のデータ駆動型ディープニューラルネットワークの能力が、量子情報のスクランブルとどのように相関するかを考察する。
ニューラルネットワークを用いて、モデルのパラメータからランダム量子回路における可観測物の進化へのマッピングを求める。
特定のタイプのリカレントニューラルネットワークは、局所的およびスクランブルされた状態の両方でトレーニングされたシステムサイズと時間ウィンドウ内での予測を一般化する上で非常に強力であることを示す。
論文 参考訳(メタデータ) (2023-02-09T13:14:10Z) - A Hybrid Quantum-Classical Neural Network Architecture for Binary
Classification [0.0]
本稿では,各ニューロンが変動量子回路であるハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
シミュレーションハードウェアでは、ハイブリッドニューラルネットワークは、個々の変動量子回路よりも約10%高い分類精度とコストの20%の最小化を実現している。
論文 参考訳(メタデータ) (2022-01-05T21:06:30Z) - QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。
提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。
交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
論文 参考訳(メタデータ) (2021-06-19T04:37:39Z) - 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) - 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) - Neural networks in quantum many-body physics: a hands-on tutorial [0.0]
本稿では、凝縮物質物理学および量子情報における機械学習の応用について概説する。
本稿では,畳み込み型ニューラルネットワークを用いた教師付き機械学習を用いて相転移を学習し,制限されたボルツマンマシンによる教師なし学習を用いて量子トモグラフィーを行い,多体ハミルトニアンの基底状態を近似するための繰り返しニューラルネットを用いた変分モンテカルロを提案する。
論文 参考訳(メタデータ) (2021-01-26T22:04:29Z) - The power of quantum neural networks [3.327474729829121]
しかし、短期的には、量子機械学習の利点はあまり明確ではない。
我々は、情報幾何学のツールを使用して、量子モデルと古典モデルの表現可能性の概念を定義します。
量子ニューラルネットワークは、同等の古典的ニューラルネットワークよりもはるかに優れた次元を達成可能であることを示す。
論文 参考訳(メタデータ) (2020-10-30T18:13:32Z) - 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) - 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。