論文の概要: A supplemental investigation of non-linearity in quantum generative models with respect to simulatability and optimization

• arxiv url: http://arxiv.org/abs/2302.00788v2
• Date: Mon, 29 Apr 2024 15:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 03:37:12.867753
• Title: A supplemental investigation of non-linearity in quantum generative models with respect to simulatability and optimization
• Title（参考訳）: 量子生成モデルにおける相似性と最適化に関する非線形性の補足的研究
• Authors: Kaitlin Gili, Rohan S. Kumar, Mykolas Sveistrys, C. J. Ballance,
• Abstract要約: 本稿では,量子アルゴリズムと機械学習コミュニティとの関連性に関する2つの質問について検討する。 この非線型性の導入は、遅延測定原理による学習モデルを古典的にシミュレート可能か? そして、この形式の非線形性を導入することで、全体のモデルのトレーニングが不安定になるのでしょうか?
• 参考スコア（独自算出の注目度）: 1.4329826483358277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has demonstrated the utility of introducing non-linearity through repeat-until-success (RUS) sub-routines into quantum circuits for generative modeling. As a follow-up to this work, we investigate two questions of relevance to the quantum algorithms and machine learning communities: Does introducing this form of non-linearity make the learning model classically simulatable due to the deferred measurement principle? And does introducing this form of non-linearity make the overall model's training more unstable? With respect to the first question, we demonstrate that the RUS sub-routines do not allow us to trivially map this quantum model to a classical one, whereas a model without RUS sub-circuits containing mid-circuit measurements could be mapped to a classical Bayesian network due to the deferred measurement principle of quantum mechanics. This strongly suggests that the proposed form of non-linearity makes the model classically in-efficient to simulate. In the pursuit of the second question, we train larger models than previously shown on three different probability distributions, one continuous and two discrete, and compare the training performance across multiple random trials. We see that while the model is able to perform exceptionally well in some trials, the variance across trials with certain datasets quantifies its relatively poor training stability.
• Abstract（参考訳）: 近年の研究では、リピート・アンティル・サクセス(RUS)サブルーチンによる非線形性を量子回路に導入し、生成モデリングに活用することが実証されている。 この研究のフォローアップとして、量子アルゴリズムと機械学習コミュニティとの関連性に関する2つの疑問を考察する: この形式の非線形性を導入することで、遅延測定原理により学習モデルを古典的にシミュレートできるのか? そして、この形式の非線形性を導入することで、全体のモデルのトレーニングが不安定になるのでしょうか? 最初の質問に関して、RASサブルーチンは、この量子モデルを古典的モデルに自明にマッピングすることができず、一方、中間回路の測定を含むRASサブ回路を持たないモデルは、量子力学の遅延測定原理により古典ベイズネットワークにマッピングできることを示した。 このことは、提案された非線型性の形式が、モデルが古典的にシミュレートする非効率的であることを強く示唆している。 第2の質問の追求において、我々は3つの異なる確率分布、1つの連続と2つの離散の確率分布で示されたよりも大きなモデルを訓練し、複数のランダムな試行でトレーニング性能を比較した。 いくつかの試行において、モデルは非常によく機能するが、特定のデータセットによる試行間のばらつきは、その比較的低いトレーニング安定性を定量化する。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• A Metalearned Neural Circuit for Nonparametric Bayesian Inference [4.767884267554628]
  機械学習の分類への応用のほとんどは、バランスの取れたクラスの閉じた集合を前提としている。 これは、クラス発生統計が長い尾の力量分布に従うことがしばしばある実世界と矛盾する。 本研究では,非パラメトリックベイズモデルから誘導バイアスを抽出し,人工ニューラルネットワークに転送する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T16:43:17Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Work statistics, quantum signatures and enhanced work extraction in quadratic fermionic models [62.997667081978825]
  二次フェルミオンモデルでは、突然の駆動と時間依存の駆動の後、作業統計に対する量子補正を決定する。 このような補正は、初期量子状態と時間依存ハミルトニアンの非可換性にある。 後者のおかげで、作業のKDQ分布における古典的でないシグネチャの開始を評価することができる。
  論文  参考訳（メタデータ） (2023-02-27T13:42:40Z)
• Introducing Non-Linearity into Quantum Generative Models [0.0]
  我々は、ニューラルネットワーク構造を介して非線形アクティベーションを標準のBorn Machineフレームワークに追加するモデルを導入する。 非線形QNBMと線形量子回路ボルンマシンを比較した。 両モデルとも、自明な均一な確率分布を容易に学習できるが、QNBMはQCBMの約3倍の誤差率を達成する。
  論文  参考訳（メタデータ） (2022-05-28T18:59:49Z)
• Learning Reduced Nonlinear State-Space Models: an Output-Error Based Canonical Approach [8.029702645528412]
  非線形挙動を持つ動的システムのモデリングにおけるディープラーニングの有効性について検討する。 3つの非線形系を同定する能力を示す。 シミュレーションで生成したテストデータと,無人航空機飛行計測の現実的データセットを用いて,オープンループ予測の評価を行った。
  論文  参考訳（メタデータ） (2022-04-19T06:33:23Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Compositional Modeling of Nonlinear Dynamical Systems with ODE-based Random Features [0.0]
  この問題に対処するための新しいドメインに依存しないアプローチを提案する。 我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。 提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-06-10T17:55:13Z)
• Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
  私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。 我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
  論文  参考訳（メタデータ） (2021-03-02T06:59:52Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。