論文の概要: Reflection Equivariant Quantum Neural Networks for Enhanced Image
Classification
- arxiv url: http://arxiv.org/abs/2212.00264v3
- Date: Tue, 19 Sep 2023 07:01:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 20:32:56.064985
- Title: Reflection Equivariant Quantum Neural Networks for Enhanced Image
Classification
- Title(参考訳): 強調画像分類のための反射同変量子ニューラルネットワーク
- Authors: Maxwell T. West, Martin Sevior, Muhammad Usman
- Abstract要約: 我々は、データに固有の対称性を明示的に尊重する新しい機械学習モデル、いわゆる幾何量子機械学習(GQML)を構築した。
これらのネットワークは、複雑な実世界の画像データセットに対する一般的なアンサーゼを一貫して、そして著しく向上させることができる。
- 参考スコア(独自算出の注目度): 0.7232471205719458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning is among the most widely anticipated use cases for near-term
quantum computers, however there remain significant theoretical and
implementation challenges impeding its scale up. In particular, there is an
emerging body of work which suggests that generic, data agnostic quantum
machine learning (QML) architectures may suffer from severe trainability
issues, with the gradient of typical variational parameters vanishing
exponentially in the number of qubits. Additionally, the high expressibility of
QML models can lead to overfitting on training data and poor generalisation
performance. A promising strategy to combat both of these difficulties is to
construct models which explicitly respect the symmetries inherent in their
data, so-called geometric quantum machine learning (GQML). In this work, we
utilise the techniques of GQML for the task of image classification, building
new QML models which are equivariant with respect to reflections of the images.
We find that these networks are capable of consistently and significantly
outperforming generic ansatze on complicated real-world image datasets,
bringing high-resolution image classification via quantum computers closer to
reality. Our work highlights a potential pathway for the future development and
implementation of powerful QML models which directly exploit the symmetries of
data.
- Abstract(参考訳): 機械学習は、短期量子コンピュータの最も広く予想されているユースケースの1つであるが、そのスケールアップを妨げる重要な理論的および実装上の課題がある。
特に、一般的なデータ非依存の量子機械学習(QML)アーキテクチャは、量子ビット数で指数関数的に変化する典型的な変分パラメータの勾配によって、厳しいトレーニング容易性の問題に悩まされる可能性があることを示唆する、新たな研究団体がある。
さらに、qmlモデルの高表現性は、トレーニングデータへの過剰フィットと一般化性能の低下につながる可能性がある。
これらの困難に対処するための有望な戦略は、データに固有の対称性を明示的に尊重するモデルを構築することであり、いわゆる幾何量子機械学習(GQML)である。
本研究では,GQMLの手法を画像分類のタスクに応用し,画像のリフレクションに対して等価な新しいQMLモデルを構築する。
これらのネットワークは、複雑な実世界の画像データセットに対する一般的なアンサーゼを一貫して大幅に上回り、量子コンピュータによる高解像度画像分類を現実に近づけることができる。
我々の研究は、データの対称性を直接活用する強力なQMLモデルの開発と実装の潜在的な経路を強調している。
関連論文リスト
- Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳(メタデータ) (2025-02-16T23:13:55Z) - Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。
ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。
ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
論文 参考訳(メタデータ) (2025-01-14T15:14:26Z) - Learning to Measure Quantum Neural Networks [10.617463958884528]
本稿では,量子系の可観測性,特にエルミート行列学習性を実現する新しい手法を提案する。
本手法では,パラメータ化可観測関数を通常の量子回路パラメータとともに学習するエンド・ツー・エンドの微分可能学習フレームワークを特徴とする。
数値シミュレーションにより,提案手法は変動量子回路の観測値の同定が可能であり,その結果が得られた。
論文 参考訳(メタデータ) (2025-01-10T02:28:19Z) - SynerGen-VL: Towards Synergistic Image Understanding and Generation with Vision Experts and Token Folding [66.74446220401296]
画像の理解と生成の両方が可能なシンプルだが強力なエンコーダのないMLLMであるSynerGen-VLを提案する。
トークンの折り畳み機構と,高分解能画像理解を効果的に支援するビジョンエキスパートベースのプログレッシブアライメント事前学習戦略を導入する。
コードとモデルはリリースされます。
論文 参考訳(メタデータ) (2024-12-12T18:59:26Z) - Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳(メタデータ) (2024-11-13T12:03:39Z) - Hybrid Classical-Quantum architecture for vectorised image classification of hand-written sketches [0.0]
量子機械学習は、別の方法でデータを学ぶために量子現象をどのように活用するかを研究する。
近年の進歩は、ハイブリッド古典量子モデルは、アーキテクチャの複雑さが低い場合に競争性能を達成できることを示唆している。
本稿では,QMLモデルのテストベッドとして,スケッチ描画のベクトルベース表現を提案する。
論文 参考訳(メタデータ) (2024-07-08T21:51:20Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Subtleties in the trainability of quantum machine learning models [0.0]
本稿では,変分量子アルゴリズムの勾配スケーリング結果を用いて,量子機械学習モデルの勾配スケーリングについて検討する。
以上の結果から,VQAトレーサビリティの低下がQMLのバレンプラトーなどの問題を引き起こす可能性が示唆された。
論文 参考訳(メタデータ) (2021-10-27T20:28:53Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Predicting toxicity by quantum machine learning [11.696069523681178]
本研究では, 定量的構造活性相関に基づく221種類のフェノールの毒性予測のためのQMLモデルを開発した。
その結果、量子エンタングルメントによって強化されたデータエンコーディングは、従来のエンタングルよりも表現力が高いことが示唆された。
論文 参考訳(メタデータ) (2020-08-18T02:59:40Z)
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。