論文の概要: Learning To Optimize Quantum Neural Network Without Gradients
- arxiv url: http://arxiv.org/abs/2304.07442v1
- Date: Sat, 15 Apr 2023 01:09:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 19:01:15.779159
- Title: Learning To Optimize Quantum Neural Network Without Gradients
- Title（参考訳）: グラディエントなしで量子ニューラルネットワークを最適化する学習
- Authors: Ankit Kulshrestha, Xiaoyuan Liu, Hayato Ushijima-Mwesigwa, Ilya Safro
- Abstract要約: 本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。
我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
- 参考スコア（独自算出の注目度）: 3.9848482919377006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Machine Learning is an emerging sub-field in machine learning where
one of the goals is to perform pattern recognition tasks by encoding data into
quantum states. This extension from classical to quantum domain has been made
possible due to the development of hybrid quantum-classical algorithms that
allow a parameterized quantum circuit to be optimized using gradient based
algorithms that run on a classical computer. The similarities in training of
these hybrid algorithms and classical neural networks has further led to the
development of Quantum Neural Networks (QNNs). However, in the current training
regime for QNNs, the gradients w.r.t objective function have to be computed on
the quantum device. This computation is highly non-scalable and is affected by
hardware and sampling noise present in the current generation of quantum
hardware. In this paper, we propose a training algorithm that does not rely on
gradient information. Specifically, we introduce a novel meta-optimization
algorithm that trains a \emph{meta-optimizer} network to output parameters for
the quantum circuit such that the objective function is minimized. We
empirically and theoretically show that we achieve a better quality minima in
fewer circuit evaluations than existing gradient based algorithms on different
datasets.
- Abstract（参考訳）: 量子機械学習(Quantum Machine Learning)は、量子状態にデータをエンコードすることでパターン認識タスクを実行することを目的とした、機械学習の新たなサブフィールドである。
古典的領域から量子領域へのこの拡張は、古典的コンピュータ上で動作する勾配に基づくアルゴリズムを用いてパラメータ化量子回路を最適化できるハイブリッド量子古典的アルゴリズムの開発によって可能になった。
これらのハイブリッドアルゴリズムと古典的ニューラルネットワークのトレーニングにおける類似性は、さらに量子ニューラルネットワーク(QNN)の開発につながっている。
しかし、現在のQNNのトレーニングシステムでは、量子デバイス上での勾配w.r.t目的関数を計算する必要がある。
この計算は難解であり、現在の世代の量子ハードウェアに存在するハードウェアやサンプリングノイズの影響を受けている。
本稿では,勾配情報に依存しない学習アルゴリズムを提案する。
具体的には、目的関数が最小となるように量子回路のパラメータを出力するために、emph{meta-optimizer}ネットワークをトレーニングする新しいメタ最適化アルゴリズムを導入する。
実験的および理論的に、既存の勾配に基づくアルゴリズムよりも少ない回路評価で品質の最小値が得られることを示した。
関連論文リスト
- NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
近年、量子コンピューティングの分野は大幅に成熟している。
NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。
我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
論文 参考訳（メタデータ） (2024-11-23T23:09:22Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - 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) - Stabilization and Dissipative Information Transfer of a Superconducting
Kerr-Cat Qubit [0.0]
そこで我々は,Cat-Qubitと呼ばれる量子ビットモデルへの消散情報伝達について検討した。
このモデルは、二項量子分類の散逸に基づくバージョンにとって特に重要である。
Cat-Qubitアーキテクチャは、人工ニューラルネットワークでアクティベーションライクな機能を実装できる可能性がある。
論文 参考訳（メタデータ） (2023-07-23T11:28:52Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - 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) - Accelerating the training of single-layer binary neural networks using
the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。
しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文 参考訳（メタデータ） (2022-10-23T11:58:05Z) - New quantum neural network designs [0.0]
本稿では,新しい量子ニューラルネットワークの設計性能について検討する。
我々は特徴マップと変分回路を1つのパラメータ化回路にマージする新しい手法を開発した。
損失の低減、精度の向上、収束の高速化を実現しています。
論文 参考訳（メタデータ） (2022-03-12T10:20:14Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Quantum Machine Learning for Particle Physics using a Variational
Quantum Classifier [0.0]
本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。
このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
論文 参考訳（メタデータ） (2020-10-14T18:05:49Z)
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。