論文の概要: Quantum Federated Learning with Entanglement Controlled Circuits and
Superposition Coding
- arxiv url: http://arxiv.org/abs/2212.01732v1
- Date: Sun, 4 Dec 2022 03:18:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 19:04:00.955616
- Title: Quantum Federated Learning with Entanglement Controlled Circuits and
Superposition Coding
- Title（参考訳）: 絡み合い制御回路と重ね合わせ符号化を用いた量子フェデレーション学習
- Authors: Won Joon Yun, Jae Pyoung Kim, Hankyul Baek, Soyi Jung, Jihong Park,
Mehdi Bennis, Joongheon Kim
- Abstract要約: 我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。
本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。
画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
- 参考スコア（独自算出の注目度）: 44.89303833148191
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While witnessing the noisy intermediate-scale quantum (NISQ) era and beyond,
quantum federated learning (QFL) has recently become an emerging field of
study. In QFL, each quantum computer or device locally trains its quantum
neural network (QNN) with trainable gates, and communicates only these gate
parameters over classical channels, without costly quantum communications.
Towards enabling QFL under various channel conditions, in this article we
develop a depth-controllable architecture of entangled slimmable quantum neural
networks (eSQNNs), and propose an entangled slimmable QFL (eSQFL) that
communicates the superposition-coded parameters of eS-QNNs. Compared to the
existing depth-fixed QNNs, training the depth-controllable eSQNN architecture
is more challenging due to high entanglement entropy and inter-depth
interference, which are mitigated by introducing entanglement controlled
universal (CU) gates and an inplace fidelity distillation (IPFD) regularizer
penalizing inter-depth quantum state differences, respectively. Furthermore, we
optimize the superposition coding power allocation by deriving and minimizing
the convergence bound of eSQFL. In an image classification task, extensive
simulations corroborate the effectiveness of eSQFL in terms of prediction
accuracy, fidelity, and entropy compared to Vanilla QFL as well as under
different channel conditions and various data distributions.
- Abstract（参考訳）: ノイズの多い中間規模量子(NISQ)時代を目撃する一方で、量子連合学習(QFL)は近年、新たな研究分野となっている。
QFLでは、各量子コンピュータまたはデバイスが、トレーニング可能なゲートを持つ量子ニューラルネットワーク(QNN)をローカルにトレーニングし、これらのゲートパラメータのみを古典的なチャネル上で通信する。
本稿では, 様々なチャネル条件下でのQFLの実現に向けて, エンタングル可能な量子ニューラルネットワーク(eSQNN)の深度制御可能なアーキテクチャを開発し, eS-QNNの重畳符号化パラメータを伝達するエンタングル可能なQFL(eSQFL)を提案する。
深度制御可能なeSQNNアーキテクチャのトレーニングは、既存の深度固定QNNと比較して、深い量子状態差をペナライズするインプレースフィラリティ蒸留器(IPFD)と、絡み合い制御ユニバーサルゲート(CU)を導入して緩和される高絡み合いエントロピーと深度干渉により、より困難である。
さらに,esqflの収束限界を導出して最小化することにより,重畳符号化パワー割当を最適化する。
画像分類タスクでは,Vanilla QFLと比較して,予測精度,忠実度,エントロピーの面でのeSQFLの有効性を,異なるチャネル条件や様々なデータ分布の下で相関させる。
関連論文リスト
- Foundations of Quantum Federated Learning Over Classical and Quantum
Networks [59.121263013213756]
量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。
QFLは古典的通信網と量子的通信網の両方に展開できる。
論文 参考訳（メタデータ） (2023-10-23T02:56:00Z) - Error-tolerant quantum convolutional neural networks for symmetry-protected topological phases [0.0]
パラメトリック化量子回路、測定、フィードフォワードに基づく量子ニューラルネットワークは、大量の量子データを処理できる。
量子畳み込みニューラルネットワーク(QCNN)を構築し,異なる対称性で保護された位相を認識できる。
QCNNの出力は閾値誤差確率以下の対称性破り誤差に対して頑健であることを示す。
論文 参考訳（メタデータ） (2023-07-07T16:47:02Z) - Scaling Limits of Quantum Repeater Networks [62.75241407271626]
量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。
量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。
本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
論文 参考訳（メタデータ） (2023-05-15T14:57:01Z) - Optimizing Quantum Federated Learning Based on Federated Quantum Natural
Gradient Descent [17.05322956052278]
本稿では、FQNGD(Federated Quantum Natural descent)という効率的な最適化アルゴリズムを提案する。
アダムやアダグラードのような勾配降下法と比較して、FQNGDアルゴリズムは収束するQFLのトレーニングをはるかに少なくする。
手書き桁分類データセットの実験は、QFLフレームワークにおけるFQNGDの有効性を正当化するものである。
論文 参考訳（メタデータ） (2023-02-27T11:34:16Z) - Federated Quantum Natural Gradient Descent for Quantum Federated
Learning [7.028664795605032]
本研究では,FQNGD(Federated quantum natural gradient descent)という,効率的な学習アルゴリズムを提案する。
FQNGDアルゴリズムは、収束するQFLモデルのトレーニングイテレーションをはるかに少なくする。
他のフェデレーション学習アルゴリズムと比較して、手書き桁分類データセットの実験は、QFLに対するFQNGDアルゴリズムの有効性を裏付けるものである。
論文 参考訳（メタデータ） (2022-08-15T07:17:11Z) - Slimmable Quantum Federated Learning [44.89303833148191]
量子ニューラルネットワーク(QNN)を連合学習(FL)に統合する量子連合学習(QFL)が最近注目を集めている。
本稿では,時変通信チャネルや計算エネルギー制限に対処可能な動的QFLフレームワークであるスリムブルQFL(SlimQFL)を提案する。
シミュレーションの結果、SlimQFLはVanilla QFLよりも高い分類精度を達成している。
論文 参考訳（メタデータ） (2022-07-20T22:39:23Z) - Realizing Quantum Convolutional Neural Networks on a Superconducting
Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。
我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。
その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:32:57Z) - 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) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳（メタデータ） (2021-04-30T20:38:41Z) - 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。