論文の概要: Quantum machine learning for image classification

• arxiv url: http://arxiv.org/abs/2304.09224v1
• Date: Tue, 18 Apr 2023 18:23:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 16:36:17.490716
• Title: Quantum machine learning for image classification
• Title（参考訳）: 画像分類のための量子機械学習
• Authors: Arsenii Senokosov, Alexander Sedykh, Asel Sagingalieva, Alexey Melnikov
• Abstract要約: 我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。 要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image recognition and classification are fundamental tasks with diverse practical applications across various industries, making them critical in the modern world. Recently, machine learning models, particularly neural networks, have emerged as powerful tools for solving these problems. However, the utilization of quantum effects through hybrid quantum-classical approaches can further enhance the capabilities of traditional classical models. Here, we propose two hybrid quantum-classical models: a neural network with parallel quantum layers and a neural network with a quanvolutional layer, which address image classification problems. One of our hybrid quantum approaches demonstrates remarkable accuracy of more than 99% on the MNIST dataset. Notably, in the proposed quantum circuits all variational parameters are trainable, and we divide the quantum part into multiple parallel variational quantum circuits for efficient neural network learning. In summary, our study contributes to the ongoing research on improving image recognition and classification using quantum machine learning techniques. Our results provide promising evidence for the potential of hybrid quantum-classical models to further advance these tasks in various fields, including healthcare, security, and marketing.
• Abstract（参考訳）: 画像認識と分類は、様々な産業にまたがる多様な実践的応用の基本的なタスクであり、現代の世界では重要な課題である。 近年、機械学習モデル、特にニューラルネットワークが、これらの問題を解決する強力なツールとして登場した。 しかし、ハイブリッド量子古典的アプローチによる量子効果の利用は、従来の古典モデルの能力をさらに強化することができる。 本稿では,並列量子層を持つニューラルネットワークと,画像分類問題に対処する量子層を持つニューラルネットワークの2つのハイブリッド量子古典モデルを提案する。 我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。 特に,提案する量子回路では,すべての変分パラメータが学習可能であり,効率的なニューラルネットワーク学習のために,量子部分を複数の並列変分量子回路に分割する。 本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する現在進行中の研究に寄与する。 この結果は、医療、セキュリティ、マーケティングなど様々な分野において、これらのタスクをさらに進めるためのハイブリッド量子古典モデルの可能性を示す有望な証拠となる。

関連論文リスト

• Quantum Convolutional Neural Network: A Hybrid Quantum-Classical Approach for Iris Dataset Classification [0.0]
  本稿では,4量子ビット量子回路と古典的ニューラルネットワークを組み合わせた,分類タスクのためのハイブリッド量子古典型機械学習モデルを提案する。 このモデルは20エポック以上で訓練され、16エポックに設定されたIrisデータセットテストで100%の精度を達成した。 この研究は、ハイブリッド量子古典モデルの研究の活発化と、実際のデータセットへの適用性に寄与する。
  論文  参考訳（メタデータ） (2024-10-21T13:15:12Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。 両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。 実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• 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)
• Quantum Denoising Diffusion Models [4.763438526927999]
  2つの量子拡散モデルを導入し、それらの能力と古典的能力とをベンチマークする。 我々のモデルは、FID、SSIM、PSNRのパフォーマンス指標の点で、類似したパラメータ数を持つ古典モデルを上回る。
  論文  参考訳（メタデータ） (2024-01-13T11:38:08Z)
• 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)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
  本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。 提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。 この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
  論文  参考訳（メタデータ） (2022-03-29T09:07:18Z)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)

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。