Fugu-MT 論文翻訳(概要): VQNet 2.0: A New Generation Machine Learning Framework that Unifies Classical and Quantum

論文の概要: VQNet 2.0: A New Generation Machine Learning Framework that Unifies Classical and Quantum

arxiv url: http://arxiv.org/abs/2301.03251v1
Date: Mon, 9 Jan 2023 10:31:18 GMT
ステータス: 処理完了
システム内更新日: 2023-01-10 16:15:02.537800
Title: VQNet 2.0: A New Generation Machine Learning Framework that Unifies Classical and Quantum
Title（参考訳）: VQNet 2.0: 古典と量子を統一する新しい世代の機械学習フレームワーク
Authors: Huanyu Bian, Zhilong Jia, Menghan Dou, Yuan Fang, Lei Li, Yiming Zhao, Hanchao Wang, Zhaohui Zhou, Wei Wang, Wenyu Zhu, Ye Li, Yang Yang, Weiming Zhang, Nenghai Yu, Zhaoyun Chen, Guoping Guo
Abstract要約: VQNet 2.0は、古典的および量子機械学習の新しい世代のフレームワークである。フレームワークの中核となるライブラリはC++で実装され、ユーザレベルはPythonで実装されている。
参考スコア（独自算出の注目度）: 82.82331453802182
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the rapid development of classical and quantum machine learning, a large number of machine learning frameworks have been proposed. However, existing machine learning frameworks usually only focus on classical or quantum, rather than both. Therefore, based on VQNet 1.0, we further propose VQNet 2.0, a new generation of unified classical and quantum machine learning framework that supports hybrid optimization. The core library of the framework is implemented in C++, and the user level is implemented in Python, and it supports deployment on quantum and classical hardware. In this article, we analyze the development trend of the new generation machine learning framework and introduce the design principles of VQNet 2.0 in detail: unity, practicality, efficiency, and compatibility, as well as full particulars of implementation. We illustrate the functions of VQNet 2.0 through several basic applications, including classical convolutional neural networks, quantum autoencoders, hybrid classical-quantum networks, etc. After that, through extensive experiments, we demonstrate that the operation speed of VQNet 2.0 is higher than the comparison method. Finally, through extensive experiments, we demonstrate that VQNet 2.0 can deploy on different hardware platforms, the overall calculation speed is faster than the comparison method. It also can be mixed and optimized with quantum circuits composed of multiple quantum computing libraries.
Abstract（参考訳）: 古典的および量子的機械学習の急速な発展に伴い、多くの機械学習フレームワークが提案されている。しかしながら、既存の機械学習フレームワークは通常、両方ではなく、古典的または量子的にのみフォーカスする。したがって、VQNet 1.0をベースとして、ハイブリッド最適化をサポートする統一古典的量子機械学習フレームワークであるVQNet 2.0を提案する。フレームワークの中核となるライブラリはC++で実装され、ユーザレベルはPythonで実装され、量子および古典的なハードウェアへのデプロイをサポートする。本稿では、次世代機械学習フレームワークの開発動向を分析し、vqnet 2.0の設計原則である統一性、実用性、効率性、互換性を詳細に紹介する。本稿では、古典的畳み込みニューラルネットワーク、量子オートエンコーダ、ハイブリッド古典量子ネットワークなど、いくつかの基本的な応用を通してVQNet 2.0の機能を説明する。その後、広範囲な実験により、VQNet 2.0の動作速度が比較法よりも高いことを示す。最後に、VQNet 2.0が様々なハードウェアプラットフォームにデプロイ可能であることを実証し、全体的な計算速度が比較法よりも速いことを示した。また、複数の量子コンピューティングライブラリからなる量子回路と混合して最適化することもできる。

関連論文リスト

A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
sQUlearn -- A Python Library for Quantum Machine Learning [0.0]
sQUlearnが量子機械学習(QML)用のNISQ対応Pythonライブラリを導入図書館の二重層アーキテクチャはQML研究者と実践者の両方に役立っている。
論文参考訳（メタデータ） (2023-11-15T14:22:53Z)
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)
QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-14T08:03:20Z)
A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文参考訳（メタデータ） (2023-03-27T22:48:28Z)
Quantum Neural Network Compression [23.206283554472787]
量子ニューラルネットワークと古典ニューラルネットワークの圧縮には相違点があることが示されている。我々は、量子ニューラルネットワークを圧縮する最初の体系的フレームワーク、CompVQCを提案する。
論文参考訳（メタデータ） (2022-07-04T16:57:46Z)
NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems [1.0486135378491268]
NetKetは、多体量子物理学のための機械学習ツールボックスである。この新バージョンは、差別化可能なプログラミングと加速線形代数フレームワークであるJAXの上に構築されている。最も重要な新機能は、純粋なPythonコードで任意のニューラルネットワーク ans" を定義することだ。
論文参考訳（メタデータ） (2021-12-20T13:41:46Z)
Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
論文参考訳（メタデータ） (2021-06-24T08:18:42Z)
QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity [13.152233840194473]
本稿では,量子ニューラルネットワークQuClassiを提案する。量子微分関数とハイブリッド量子古典設計により、QuClassiはデータを量子ビットでエンコードし、量子回路を生成し、最良の状態のために量子プラットフォームにプッシュする。
論文参考訳（メタデータ） (2021-03-21T05:28:37Z)
A quantum-classical cloud platform optimized for variational hybrid algorithms [0.0]
この研究は、量子古典的なクラウドプラットフォームのアーキテクチャ要件を列挙している。実行時のパフォーマンスをベンチマークするフレームワークを提案する。これらの2つの機能をRigetti Quantum Cloud Services(QCS)プラットフォームに統合することで、アルゴリズムランタイムを管理するレイテンシが大幅に改善されることを示す。
論文参考訳（メタデータ） (2020-01-13T18:37:01Z)

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。