Fugu-MT 論文翻訳(概要): On the explainability of quantum neural networks based on variational quantum circuits

論文の概要: On the explainability of quantum neural networks based on variational quantum circuits

arxiv url: http://arxiv.org/abs/2301.05549v1
Date: Thu, 12 Jan 2023 18:46:28 GMT
ステータス: 処理完了
システム内更新日: 2023-01-16 14:16:19.966007
Title: On the explainability of quantum neural networks based on variational quantum circuits
Title（参考訳）: 変分量子回路に基づく量子ニューラルネットワークの説明可能性について
Authors: Ammar Daskin
Abstract要約: リッジ関数は、ニューラルネットワークによって行われる近似の下限を記述し、研究するために用いられる。まず、変動量子回路に基づく量子ニューラルネットワークは、リッジ関数の線形結合として記述できることを示す。
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: Ridge functions are used to describe and study the lower bound of the approximation done by the neural networks which can be written as a linear combination of activation functions. If the activation functions are also ridge functions, these networks are called explainable neural networks. In this paper, we first show that quantum neural networks which are based on variational quantum circuits can be written as a linear combination of ridge functions. Consequently, we show that the interpretability and explainability of such quantum neural networks can be directly considered and studied as an approximation with the linear combination of ridge functions.
Abstract（参考訳）: リッジ関数は、活性化関数の線形結合として記述できるニューラルネットワークによって行われる近似の下位境界を記述するために用いられる。活性化関数もリッジ関数である場合、これらのネットワークは説明可能なニューラルネットワークと呼ばれる。本稿では,変分量子回路をベースとした量子ニューラルネットワークを,リッジ関数の線形結合として記述できることを示す。その結果、このような量子ニューラルネットワークの解釈可能性と説明可能性を直接考慮し、リッジ関数の線形結合との近似として研究できることを示した。

関連論文リスト

Hysteresis and Self-Oscillations in an Artificial Memristive Quantum Neuron [79.16635054977068]
本研究では, 量子メムリスタを含む人工ニューロン回路について, 緩和と脱落の存在下で検討した。この物理原理は、量子デバイスの電流電圧特性のヒステリシス的挙動を可能にすることを実証する。
論文参考訳（メタデータ） (2024-05-01T16:47:23Z)
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)
Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文参考訳（メタデータ） (2023-02-27T18:52:38Z)
A linear response framework for simulating bosonic and fermionic correlation functions illustrated on quantum computers [58.720142291102135]
線形反応における応答関数を得るためのリーマン形式は実験に直接関連しない。量子コンピューティングの文脈において、実験を量子シミュレーションの不可分な部分とする。ボソニックグリーンとフェルミオングリーンの両方の関数が得られ、これらのアイデアを電荷密度波材料の研究に応用できることを示す。
論文参考訳（メタデータ） (2023-02-20T19:01:02Z)
Realization of a quantum neural network using repeat-until-success circuits in a superconducting quantum processor [0.0]
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。
論文参考訳（メタデータ） (2022-12-21T03:26:32Z)
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)
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)
Quantifying scrambling in quantum neural networks [0.0]
ネットワークのスクランブル特性の観点で量子ニューラルネットワークの誤差を、アウトオブタイムの順序付き相関器を介して特徴づける。我々の結果は、量子ニューラルネットワークにおける量子カオスの探索の道を開いた。
論文参考訳（メタデータ） (2021-12-02T17:28:17Z)
Development and Training of Quantum Neural Networks, Based on the Principles of Grover's Algorithm [0.0]
本稿では,ニューラルネットワークのトレーニングプロセスと,量子回路として解釈されたニューラルネットワークの機能構造を組み合わせることを提案する。ニューラルネットワークの単純な例として、この概念を示すために、トレーニング可能なパラメータが1つあるパーセプトロン(隠されたニューロンに接続されたシナプスの重さ)がある。
論文参考訳（メタデータ） (2021-10-01T14:08:43Z)
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)
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)

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。