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
- Studying the Impact of Quantum-Specific Hyperparameters on Hybrid
Quantum-Classical Neural Networks [5.247197295547863]
ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。
本稿では,画像分類タスクのHQNNモデルに異なるバリエーションが与える影響について検討する。
本研究の目的は,HQNNモデルの直感的および直感的学習パターンを,制御量子摂動の粒度レベルで解明することである。
論文 参考訳(メタデータ) (2024-02-16T11:44:25Z) - A Comparative Analysis of Hybrid-Quantum Classical Neural Networks [5.629434388963902]
本稿では、画像分類のための異なるハイブリッド量子古典機械学習アルゴリズム間の広範な比較分析を行う。
この精度に基づくハイブリッドモデルの性能比較により、回路の量子層数と量子ビット数の変化との相関関係におけるハイブリッド量子古典収束の理解が得られる。
論文 参考訳(メタデータ) (2024-02-16T09:59:44Z) - A Survey of Classical And Quantum Sequence Models [3.442372522693843]
本稿では,古典的自己アテンションモデルとその量子モデルの比較分析を行う。
我々はこれらの既存手法の重要代表集合を再実装し、量子自己アテンションを用いた画像分類アプローチを適用して量子ハイブリッドトランスを作成する。
また、異なる符号化手法を探求し、位置符号化を量子自己認識ニューラルネットワークに導入することにより、テキストと画像の分類実験における精度の向上とより高速な収束を実現する。
論文 参考訳(メタデータ) (2023-12-15T22:21:26Z) - 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 Phase Recognition using Quantum Tensor Networks [0.0]
本稿では,教師付き学習タスクのためのテンソルネットワークにインスパイアされた浅部変分アンザツに基づく量子機械学習手法について検討する。
マルチスケールエンタングルメント再正規化アンサッツ (MERA) とツリーテンソルネットワーク (TTN) がパラメタライズド量子回路にインスパイアされた場合、テストセットの精度が$geq 98%に達する。
論文 参考訳(メタデータ) (2022-12-12T19:29:07Z) - 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) - 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) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳(メタデータ) (2020-10-13T06:57:17Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。