Fugu-MT 論文翻訳(概要): EQuaTE: Efficient Quantum Train Engine for Dynamic Analysis via HCI-based Visual Feedback

論文の概要: EQuaTE: Efficient Quantum Train Engine for Dynamic Analysis via HCI-based Visual Feedback

arxiv url: http://arxiv.org/abs/2302.03853v1
Date: Wed, 8 Feb 2023 03:05:59 GMT
ステータス: 処理完了
システム内更新日: 2023-02-09 17:21:52.260530
Title: EQuaTE: Efficient Quantum Train Engine for Dynamic Analysis via HCI-based Visual Feedback
Title（参考訳）: EQuaTE: HCIベースの視覚フィードバックによる動的解析のための効率的な量子トレインエンジン
Authors: Soohyun Park, Won Joon Yun, Chanyoung Park, Youn Kyu Lee, Soyi Jung, Hao Feng, and Joongheon Kim
Abstract要約: EQuaTEは勾配のばらつきをプロットして、量子ニューラルネットワーク(QNN)が局所的なミニマ(QNNではバレンプラトーと呼ばれる)に落ちるかどうかをチェックする私たちのEQuaTEはHCIベースの視覚フィードバックを実現しています。なぜなら、ソフトウェアエンジニアはビジュアライゼーションによって不毛の高原を認識でき、またこの情報に基づいてQNNを修正できるからです。
参考スコア（独自算出の注目度）: 17.100001959561144
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes an efficient quantum train engine (EQuaTE), a novel tool for quantum machine learning software which plots gradient variances to check whether our quantum neural network (QNN) falls into local minima (called barren plateaus in QNN). This can be realized via dynamic analysis due to undetermined probabilistic qubit states. Furthermore, our EQuaTE is capable for HCI-based visual feedback because software engineers can recognize barren plateaus via visualization; and also modify QNN based on this information.
Abstract（参考訳）: 本稿では、量子ニューラルネットワーク(QNN)が局所的なミニマ(QNNではバレンプラトーと呼ばれる)に陥るかどうかを確認するために勾配分散をプロットする量子機械学習ソフトウェアのための新しいツールである効率的な量子トレインエンジン(EQuaTE)を提案する。これは、未決定確率量子ビット状態による動的解析によって実現できる。さらに、当社のEQuaTEは、ソフトウェア技術者がビジュアライゼーションによって不毛の高原を認識できるため、HCIベースの視覚フィードバックが可能であり、また、この情報に基づいてQNNを修正できる。

関連論文リスト

Quantum Neural Network Software Testing, Analysis, and Code Optimization for Advanced IoT Systems: Design, Implementation, and Visualization [12.934897076001883]
本稿では,量子ニューラルネットワーク(QNN)ソフトウェアのための新しい実行時テスト,解析,コード最適化(TACO)手法を提案する。これは、バレン高原と呼ばれる学習パフォーマンスを視覚的に提示する。提案されたTACOは、ソフトウェアエンジニアが不毛の高原の状況を視覚的に識別するため、視覚的なフィードバックも可能である。
論文参考訳（メタデータ） (2024-01-12T03:44:17Z)
What can we learn from quantum convolutional neural networks? [15.236546465767026]
量子データを扱うことは、隠れた特徴マップを通して物理系のパラメータを埋め込んだものと見なすことができる。また, 適切に選択された基底状態埋め込みを持つQCNNが流体力学問題に利用できることを示す。
論文参考訳（メタデータ） (2023-08-31T12:12:56Z)
TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文参考訳（メタデータ） (2023-01-13T09:35:05Z)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
On-chip QNN: Towards Efficient On-Chip Training of Quantum Neural Networks [21.833693982056896]
そこで本研究では,パラメータシフトを用いた実践的なQNNトレーニングの実証実験であるOn-chip QNNを提案する。確率的勾配プルーニング(probabilistic gradient pruning)を提案する。その結果,2クラス,4クラスの画像分類作業において,チップ上でのトレーニングは90%以上,60%以上の精度で達成できた。
論文参考訳（メタデータ） (2022-02-26T22:27:36Z)
QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文参考訳（メタデータ） (2021-10-06T14:44:51Z)
Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文参考訳（メタデータ） (2020-11-12T08:32:04Z)
Absence of Barren Plateaus in Quantum Convolutional Neural Networks [0.0]
量子畳み込みニューラルネットワーク(QCNN)が提案されている。我々はQCNNアーキテクチャのパラメータの勾配スケーリングを厳格に分析する。
論文参考訳（メタデータ） (2020-11-05T16:46:13Z)
A Statistical Framework for Low-bitwidth Training of Deep Neural Networks [70.77754244060384]
フル量子化トレーニング(FQT)は、ニューラルネットワークモデルのアクティベーション、重み、勾配を定量化することで、低ビット幅のハードウェアを使用する。 FQTの最大の課題は、特に勾配量子化が収束特性にどのように影響するかという理論的な理解の欠如である。
論文参考訳（メタデータ） (2020-10-27T13:57:33Z)
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)
Trainability of Dissipative Perceptron-Based Quantum Neural Networks [0.8258451067861933]
分散QNN (Dissipative QNNs) と呼ばれる最近提案されたアーキテクチャの勾配スケーリング(従ってトレーニング容易性)を分析した。 DQNNは不規則な高原(すなわち、量子ビット数で指数関数的に消える勾配)を示すことができる。
論文参考訳（メタデータ） (2020-05-26T00:59:09Z)

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。