論文の概要: Sample-efficient Quantum Born Machine through Coding Rate Reduction
- arxiv url: http://arxiv.org/abs/2211.10418v1
- Date: Mon, 14 Nov 2022 06:21:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 13:17:19.035293
- Title: Sample-efficient Quantum Born Machine through Coding Rate Reduction
- Title(参考訳): 符号化レート低減によるサンプル効率量子ボーンマシン
- Authors: Pengyuan Zhai
- Abstract要約: 量子回路Born Machine (QCBM) は、量子物理学にインスパイアされた暗黙的な生成モデルであり、バイナリ画像を学習するのに自然に適している。
第2モーメントのマッチングだけでは量子発生器を訓練するには不十分であるが、クラス確率推定損失と組み合わせると、MCR$2$はモード崩壊に抵抗できる。
- 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: The quantum circuit Born machine (QCBM) is a quantum physics inspired
implicit generative model naturally suitable for learning binary images, with a
potential advantage of modeling discrete distributions that are hard to
simulate classically. As data samples are generated quantum-mechanically, QCBMs
encompass a unique optimization landscape. However, pioneering works on QCBMs
do not consider the practical scenario where only small batch sizes are allowed
during training. QCBMs trained with a statistical two-sample test objective in
the image space require large amounts of projective measurements to approximate
the model distribution well, unpractical for large-scale quantum systems due to
the exponential scaling of the probability space. QCBMs trained adversarially
against a deep neural network discriminator are proof-of-concept models that
face mode collapse. In this work we investigate practical learning of QCBMs. We
use the information-theoretic \textit{Maximal Coding Rate Reduction} (MCR$^2$)
metric as a second moment matching tool and study its effect on mode collapse
in QCBMs. We compute the sampling based gradient of MCR$^2$ with respect to
quantum circuit parameters with or without an explicit feature mapping. We
experimentally show that matching up to the second moment alone is not
sufficient for training the quantum generator, but when combined with the class
probability estimation loss, MCR$^2$ is able to resist mode collapse. In
addition, we show that adversarially trained neural network kernel for infinite
moment matching is also effective against mode collapse. On the Bars and
Stripes dataset, our proposed techniques alleviate mode collapse to a larger
degree than previous QCBM training schemes, moving one step closer towards
practicality and scalability.
- Abstract(参考訳): 量子回路ボーンマシン(QCBM)は量子物理学にインスパイアされた暗黙的な生成モデルであり、古典的にシミュレートしにくい離散分布をモデル化する潜在的な利点がある。
データサンプルが量子力学的に生成されると、QCBMはユニークな最適化の風景を包含する。
しかしながら、qcbmsにおける先駆的な仕事は、訓練中に小さなバッチサイズのみを許可する実用的なシナリオを考慮しない。
画像空間における統計的2サンプルテストの目的で訓練されたQCBMは、確率空間の指数的スケーリングのため、大規模量子系では実用的ではなく、モデル分布をうまく近似するために、大量の射影測定を必要とする。
ディープニューラルネットワーク判別器に対して逆行的に訓練されたQCBMは、モード崩壊に直面した概念実証モデルである。
本研究では,QCBMの実践的学習について検討する。
本稿では,第2モーメントマッチングツールとして,情報理論の<textit{Maximal Coding Rate Reduction} (MCR$^2$) を用いて,QCBMにおけるモード崩壊への影響について検討する。
量子回路パラメータに対するmcr$^2$のサンプリングに基づく勾配を明示的な特徴マッピングの有無にかかわらず計算する。
実験により、第2モーメントのみのマッチングは量子発生器の訓練には不十分であるが、クラス確率推定損失と組み合わせると、MCR$^2$はモード崩壊に抵抗できることを示した。
さらに,無限モーメントマッチングのための逆訓練ニューラルネットワークカーネルも,モード崩壊に対して有効であることを示す。
Bars と Stripes のデータセットでは,提案手法により,従来のQCBM トレーニングスキームよりもモード崩壊が大幅に軽減され,実用性と拡張性に一歩近づいた。
関連論文リスト
- Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。
さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
論文 参考訳(メタデータ) (2024-08-01T20:21:52Z) - An error-mitigated photonic quantum circuit Born machine [0.0]
生成機械学習モデルは、新しいサンプルを生成するために、データの基盤となる分布を学習することを目的としている。
量子回路ボーンマシン(QCBM)は、浅い回路上で実装可能な量子生成モデルの一般的な選択である。
本稿では,光子損失を伴う現実的なシナリオにおけるQCBMのトレーニングを大幅に改善する,リサイクル緩和と呼ばれる新しいエラー軽減手法について述べる。
論文 参考訳(メタデータ) (2024-05-03T17:53:15Z) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳(メタデータ) (2023-07-31T14:45:29Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Are Quantum Circuits Better than Neural Networks at Learning
Multi-dimensional Discrete Data? An Investigation into Practical Quantum
Circuit Generative Models [0.0]
多層パラメタライズド量子回路(MPQC)は古典的ニューラルネットワーク(NN)よりも表現力が高いことを示す。
我々は、MPQCが古典的に効率的にシミュレートできない確率分布を生成できる理由の体系的な証明に、利用可能な情報源を整理する。
量子回路を限られたサンプルで効率的にトレーニングする方法、勾配(量子)を効率的に計算する方法、モーダル崩壊を緩和する方法など、実用的な問題に対処する。
論文 参考訳(メタデータ) (2022-12-13T05:31:31Z) - Introducing Non-Linearity into Quantum Generative Models [0.0]
我々は、ニューラルネットワーク構造を介して非線形アクティベーションを標準のBorn Machineフレームワークに追加するモデルを導入する。
非線形QNBMと線形量子回路ボルンマシンを比較した。
両モデルとも、自明な均一な確率分布を容易に学習できるが、QNBMはQCBMの約3倍の誤差率を達成する。
論文 参考訳(メタデータ) (2022-05-28T18:59:49Z) - Quantum Generative Training Using R\'enyi Divergences [0.22559617939136506]
量子ニューラルネットワーク(QNN)は、量子アルゴリズムを作成するためのフレームワークである。
QNN開発における大きな課題は、バレン高原として知られる測定現象の集中である。
非有界損失関数は既存のno-go結果を回避することができることを示す。
論文 参考訳(メタデータ) (2021-06-17T14:50:53Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳(メタデータ) (2021-03-12T20:58:41Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-28T17:21:25Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳(メタデータ) (2020-07-24T06:34:34Z)
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。