論文の概要: Hybrid quantum-classical convolutional neural network for phytoplankton
classification
- arxiv url: http://arxiv.org/abs/2303.03707v1
- Date: Tue, 7 Mar 2023 07:42:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 16:07:55.443763
- Title: Hybrid quantum-classical convolutional neural network for phytoplankton
classification
- Title（参考訳）: 植物プランクトン分類のためのハイブリッド量子古典畳み込みニューラルネットワーク
- Authors: Shangshang Shi, Zhimin Wang, Ruimin Shang, Yanan Li, Jiaxin Li,
Guoqiang Zhong, and Yongjian Gu
- Abstract要約: 機械学習は植物プランクトン画像の分類を自動的に行う基本的な方法である。
近年,大規模データ処理の潜在的なソリューションとして量子機械学習が登場している。
本稿では,植物プランクトン分類のための量子深層ニューラルネットワークの実現可能性を示す。
- 参考スコア（独自算出の注目度）: 8.249538660826985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The taxonomic composition and abundance of phytoplankton, having direct
impact on marine ecosystem dynamic and global environment change, are listed as
essential ocean variables. Phytoplankton classification is very crucial for
Phytoplankton analysis, but it is very difficult because of the huge amount and
tiny volume of Phytoplankton. Machine learning is the principle way of
performing phytoplankton image classification automatically. When carrying out
large-scale research on the marine phytoplankton, the volume of data increases
overwhelmingly and more powerful computational resources are required for the
success of machine learning algorithms. Recently, quantum machine learning has
emerged as the potential solution for large-scale data processing by harnessing
the exponentially computational power of quantum computer. Here, for the first
time, we demonstrate the feasibility of quantum deep neural networks for
phytoplankton classification. Hybrid quantum-classical convolutional and
residual neural networks are developed based on the classical architectures.
These models make a proper balance between the limited function of the current
quantum devices and the large size of phytoplankton images, which make it
possible to perform phytoplankton classification on the near-term quantum
computers. Better performance is obtained by the quantum-enhanced models
against the classical counterparts. In particular, quantum models converge much
faster than classical ones. The present quantum models are versatile, and can
be applied for various tasks of image classification in the field of marine
science.
- Abstract（参考訳）: 海洋生態系の動態と地球環境の変化に直接的な影響を与える植物プランクトンの分類学的組成と豊富さを,本質的な海洋変数として挙げる。
植物プランクトン分類は植物プランクトン分析において非常に重要であるが、植物プランクトンの量と少量の量のために非常に難しい。
機械学習は植物プランクトン画像の分類を自動的に行う基本的な方法である。
海洋植物プランクトンに関する大規模研究を行う場合、データ量は圧倒的に増加し、より強力な計算資源が機械学習アルゴリズムの成功に必要となる。
近年,量子コンピュータの指数計算能力を利用した大規模データ処理の潜在的なソリューションとして量子機械学習が登場している。
ここでは,植物プランクトン分類のための量子深層ニューラルネットワークの実現可能性を示す。
量子古典的畳み込みと残差ニューラルネットワークは古典的アーキテクチャに基づいて開発された。
これらのモデルは、現在の量子装置の限られた機能と植物プランクトン画像の大きさの適切なバランスを保ち、短期量子コンピュータ上で植物プランクトン分類を行うことができる。
量子化モデルによって古典的モデルに対してより良い性能が得られる。
特に量子モデルは古典的モデルよりもはるかに高速に収束する。
現在の量子モデルは多用途であり、海洋科学の分野における画像分類の様々なタスクに応用することができる。
関連論文リスト
- Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳（メタデータ） (2024-07-02T18:00:00Z) - Bridging Classical and Quantum Machine Learning: Knowledge Transfer From
Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。
我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。
量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
論文 参考訳（メタデータ） (2023-11-23T05:06:43Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - 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) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - Quantum Reservoir Computing Implementations for Classical and Quantum
Problems [0.0]
ローレンツフォトニックキャビティに結合した2レベル原子系からなるモデル開放量子系を用いる。
次に、画像認識の古き良き機械学習問題に量子貯水池コンピューティングアプローチを展開させる。
論文 参考訳（メタデータ） (2022-11-15T23:19:26Z) - Impact of the form of weighted networks on the quantum extreme reservoir computation [0.0]
量子極端貯水池計算(QERC)は、汎用的な量子ニューラルネットワークモデルである。
本稿では,その簡単な実装経路を持つ乱れ離散時間結晶に基づく単純なハミルトンモデルが,ほぼ最適性能を実現する方法を示す。
論文 参考訳（メタデータ） (2022-11-15T01:50:47Z) - Quantum neural networks force fields generation [0.0]
量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。
量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
論文 参考訳（メタデータ） (2022-03-09T12:10:09Z) - A Hybrid Quantum-Classical Neural Network Architecture for Binary
Classification [0.0]
本稿では,各ニューロンが変動量子回路であるハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
シミュレーションハードウェアでは、ハイブリッドニューラルネットワークは、個々の変動量子回路よりも約10%高い分類精度とコストの20%の最小化を実現している。
論文 参考訳（メタデータ） (2022-01-05T21:06:30Z) - 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) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳（メタデータ） (2020-10-21T09:46:12Z)
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。