論文の概要: Realization of a quantum neural network using repeat-until-success circuits in a superconducting quantum processor

• arxiv url: http://arxiv.org/abs/2212.10742v1
• Date: Wed, 21 Dec 2022 03:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-09 04:25:00.393653
• Title: Realization of a quantum neural network using repeat-until-success circuits in a superconducting quantum processor
• Title（参考訳）: 超伝導量子プロセッサにおける繰り返しアンティルサクセス回路を用いた量子ニューラルネットワークの実現
• Abstract要約: 本稿では、リアルタイム制御-フローフィードバックによって実現されたリピート・アンティル・サクセス回路を用いて、非線形活性化機能を持つ量子ニューロンを実現する。 例えば、2ビットから1ビットのブール関数をすべて学習できる最小限のフィードフォワード量子ニューラルネットワークを構築する。 このモデルは非線形分類を行い、全ての入力の最大重ね合わせからなる単一のトレーニング状態の複数のコピーから効果的に学習する。
• 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: Artificial neural networks are becoming an integral part of digital solutions to complex problems. However, employing neural networks on quantum processors faces challenges related to the implementation of non-linear functions using quantum circuits. In this paper, we use repeat-until-success circuits enabled by real-time control-flow feedback to realize quantum neurons with non-linear activation functions. These neurons constitute elementary building blocks that can be arranged in a variety of layouts to carry out deep learning tasks quantum coherently. As an example, we construct a minimal feedforward quantum neural network capable of learning all 2-to-1-bit Boolean functions by optimization of network activation parameters within the supervised-learning paradigm. This model is shown to perform non-linear classification and effectively learns from multiple copies of a single training state consisting of the maximal superposition of all inputs.
• Abstract（参考訳）: ニューラルネットワークは、複雑な問題に対するデジタルソリューションの不可欠な部分になりつつある。 しかし、量子プロセッサへのニューラルネットワークの導入は、量子回路を用いた非線形関数の実装に関する課題に直面している。 本稿では,リアルタイム制御フローフィードバックによって実現される繰り返しアンティルサクセス回路を用いて,非線形活性化関数を持つ量子ニューロンを実現する。 これらのニューロンは、ディープラーニングタスクを量子コヒーレントに実行するために、さまざまなレイアウトで配置できる基本構成要素を構成する。 例えば、教師付き学習パラダイムにおけるネットワーク活性化パラメータの最適化により、2ビットから1ビットのブール関数をすべて学習できる最小フィードフォワード量子ニューラルネットワークを構築する。 このモデルは非線形分類を行い、全ての入力の最大重ね合わせからなる単一のトレーニング状態の複数のコピーから効果的に学習する。

関連論文リスト

• Virtual quantum neural networks [7.3273288011374325]
  我々は、ランダムサンプリングと古典的データ処理を用いて、量子ニューラルネットワークの概念を拡張し、最適化空間を拡大する。 我々の拡張モデルは、仮想量子ニューラルネットワークと呼ばれ、その拡張された最適化空間を利用して、表現性の向上とノイズの堅牢性の向上を実現している。 全体として、仮想量子ニューラルネットワークは、達成可能な計算の空間を拡張し、短期的な量子ハードウェアの応用を強化する柔軟な学習パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-09-10T09:56:32Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Enhancing the expressivity of quantum neural networks with residual connections [0.0]
  量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。 我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
  論文  参考訳（メタデータ） (2024-01-29T04:00:51Z)
• 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)
• Information-driven Nonlinear Quantum Neuron [0.0]
  本研究では,オープン量子システムとして動作するハードウェア効率の高い量子ニューラルネットワークを提案する。 入力量子情報のパラメトリゼーションが容易な繰り返し相互作用に基づくこの散逸モデルが、微分可能非線形活性化関数を示すことを示す。
  論文  参考訳（メタデータ） (2023-07-18T07:12:08Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Parametrized constant-depth quantum neuron [56.51261027148046]
  本稿では,カーネルマシンをベースとした量子ニューロン構築フレームワークを提案する。 ここでは、指数的に大きい空間にテンソル積特徴写像を適用するニューロンについて述べる。 パラメトリゼーションにより、提案されたニューロンは、既存のニューロンが適合できない基礎となるパターンを最適に適合させることができることが判明した。
  論文  参考訳（メタデータ） (2022-02-25T04:57:41Z)
• Completely Quantum Neural Networks [0.0]
  一般的なニューラルネットワークを量子アニールに埋め込んでトレーニングする方法を解説する。 本稿では,ネットワークの自由パラメータ,アクティベーション関数の近似,および2次高次成分を1つに還元する3つの重要な材料を開発する。 我々はこれを基本的ネットワークに実装し、損失関数のグローバルな最小値を見つけるための一貫性と、ネットワークトレーニングが単一ステップで収束するという事実という量子トレーニングの利点を説明している。
  論文  参考訳（メタデータ） (2022-02-23T19:00:03Z)
• Quantum activation functions for quantum neural networks [0.0]
  情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。 この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
  論文  参考訳（メタデータ） (2022-01-10T23:55:49Z)
• 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)
• Quantum Annealing Formulation for Binary Neural Networks [40.99969857118534]
  本研究では、リソース制約のあるデバイスを意図した軽量で強力なモデルであるバイナリニューラルネットワークについて検討する。 トレーニング問題に対する2次非制約バイナリ最適化の定式化を考案する。 問題は難解であり、すなわち、二分重みを推定するコストはネットワークサイズと指数関数的にスケールするが、どのようにして問題を量子アニール器に直接最適化できるかを示す。
  論文  参考訳（メタデータ） (2021-07-05T03:20:54Z)
• 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)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)

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。