論文の概要: A duplication-free quantum neural network for universal approximation

• arxiv url: http://arxiv.org/abs/2211.11228v1
• Date: Mon, 21 Nov 2022 07:43:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 23:33:48.645554
• Title: A duplication-free quantum neural network for universal approximation
• Title（参考訳）: 普遍近似のための重複フリー量子ニューラルネットワーク
• Authors: Xiaokai Hou, Guanyu Zhou, Qingyu Li, Shan Jin and Xiaoting Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.8399688944263843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The universality of a quantum neural network refers to its ability to approximate arbitrary functions and is a theoretical guarantee for its effectiveness. A non-universal neural network could fail in completing the machine learning task. One proposal for universality is to encode the quantum data into identical copies of a tensor product, but this will substantially increase the system size and the circuit complexity. To address this problem, we propose a simple design of a duplication-free quantum neural network whose universality can be rigorously proved. Compared with other established proposals, our model requires significantly fewer qubits and a shallower circuit, substantially lowering the resource overhead for implementation. It is also more robust against noise and easier to implement on a near-term device. Simulations show that our model can solve a broad range of classical and quantum learning problems, demonstrating its broad application potential.
• Abstract（参考訳）: 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であり、その有効性に対する理論的保証である。 非ユニバーサルニューラルネットワークは、機械学習タスクの完了に失敗する可能性がある。 普遍性の1つの提案は、量子データをテンソル積の同一のコピーにエンコードすることであるが、これによってシステムのサイズと回路の複雑さが大幅に増加する。 この問題に対処するために,汎用性を厳密に証明できる重複のない量子ニューラルネットワークの簡単な設計法を提案する。 他の確立された提案と比較して、我々のモデルはより少ないキュービットと浅い回路を必要とし、実装のリソースオーバーヘッドを著しく低減する。 また、ノイズに対してより堅牢で、短期的なデバイスで実装しやすい。 シミュレーションにより、我々のモデルは古典的および量子的学習の幅広い問題を解くことができ、その幅広い応用可能性を示す。

関連論文リスト

• Quantum Neural Network for Quantum Neural Computing [0.0]
  本稿では,量子ニューラルネットワークのための新しい量子ニューラルネットワークモデルを提案する。 我々のモデルは、状態空間のサイズがニューロンの数とともに指数関数的に大きくなるという問題を回避している。 我々は手書き文字認識や他の非線形分類タスクのモデルをベンチマークする。
  論文  参考訳（メタデータ） (2023-05-15T11:16:47Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• A universal duplication-free quantum neural network [0.8399688944263843]
  複数の状態複製を必要としない新しいQNNモデルを提案する。 我々のモデルでは、量子ビットが大幅に少なくなり、精度と相対誤差の点で他の2つよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-24T17:45:03Z)
• Scaling of neural-network quantum states for time evolution [0.0]
  非可積分量子イジングチェーンのグローバルダイナミクスをシミュレートするために、異なる浅層および深層神経自己回帰量子状態の変動パワーをベンチマークする。 与えられた精度で量子状態を表現するのに必要なパラメータの数が指数関数的に増加することがわかった。
  論文  参考訳（メタデータ） (2021-04-21T18:00:07Z)
• 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)
• 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)
• Realising and compressing quantum circuits with quantum reservoir computing [2.834895018689047]
  量子ノードのランダムネットワークが量子コンピューティングの堅牢なハードウェアとしてどのように使用できるかを示す。 我々のネットワークアーキテクチャは、量子ノードの単一層のみを最適化することで量子演算を誘導する。 数量子状態においては、量子回路内の複数の量子ゲートのシーケンスは単一の演算で圧縮することができる。
  論文  参考訳（メタデータ） (2020-03-21T03:29:16Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)
• 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)
• Quantum implementation of an artificial feed-forward neural network [0.0]
  本研究では,最先端の超伝導量子プロセッサ上に実装された人工フィードフォワードニューラルネットワークを実験的に実現した。 このネットワークは量子人工ニューロンで構成されており、記憶容量の潜在的な利点を個別に示す。 このネットワークは、古典的な制御か、完全に一貫性のある方法で等価に動作可能であることを実証する。
  論文  参考訳（メタデータ） (2019-12-28T16:49:19Z)

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。