論文の概要: Quantum machine learning for image classification

• arxiv url: http://arxiv.org/abs/2304.09224v2
• Date: Thu, 28 Mar 2024 17:36:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 22:12:46.147230
• 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, Alexandr Sedykh, Asel Sagingalieva, Basil Kyriacou, Alexey Melnikov,
• Abstract要約: 本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image classification, a pivotal task in multiple industries, faces computational challenges due to the burgeoning volume of visual data. This research addresses these challenges by introducing two quantum machine learning models that leverage the principles of quantum mechanics for effective computations. Our first model, a hybrid quantum neural network with parallel quantum circuits, enables the execution of computations even in the noisy intermediate-scale quantum era, where circuits with a large number of qubits are currently infeasible. This model demonstrated a record-breaking classification accuracy of 99.21% on the full MNIST dataset, surpassing the performance of known quantum-classical models, while having eight times fewer parameters than its classical counterpart. Also, the results of testing this hybrid model on a Medical MNIST (classification accuracy over 99%), and on CIFAR-10 (classification accuracy over 82%), can serve as evidence of the generalizability of the model and highlights the efficiency of quantum layers in distinguishing common features of input data. Our second model introduces a hybrid quantum neural network with a Quanvolutional layer, reducing image resolution via a convolution process. The model matches the performance of its classical counterpart, having four times fewer trainable parameters, and outperforms a classical model with equal weight parameters. These models represent advancements in quantum machine learning research and illuminate the path towards more accurate image classification systems.
• Abstract（参考訳）: 複数の産業において重要な課題である画像分類は、膨大な量のビジュアルデータによって計算上の課題に直面している。 本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを導入することにより、これらの課題に対処する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、多くの量子ビットを持つ回路が現在実現不可能な、ノイズの多い中間スケール量子時代においても、計算の実行を可能にする。 このモデルは、MNISTの全データセットで99.21%という記録破りの分類精度を示し、既知の量子古典モデルの性能を上回った。 また、このハイブリッドモデルをメディカルMNIST(分類精度99%以上)およびCIFAR-10(分類精度82%以上)でテストした結果、モデルの一般化可能性の証拠となり、入力データの共通の特徴を識別する量子層の効率性を強調している。 2つ目のモデルでは、畳み込み処理による画像の解像度を低減し、四畳み込み層を持つハイブリッド量子ニューラルネットワークを導入している。 このモデルは、トレーニング可能なパラメータが4倍少なく、同じ重量パラメータを持つ古典的なモデルよりも優れている。 これらのモデルは、量子機械学習研究の進歩を表し、より正確な画像分類システムへの道を示す。

関連論文リスト

• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
  本稿では,変分回路の4層のみを用いて分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。 LCQHNNを公開データセット上の画像分類タスクに適用し,99.02%の分類精度を実現する。
  論文  参考訳（メタデータ） (2024-12-03T00:37:11Z)
• Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images [0.5892638927736115]
  本研究では,2値画像分類の課題に対して,ランダム化された古典ニューラルネットワークと量子ニューラルネットワークの性能を比較した。 本研究は,実用的な画像分類タスクのための量子機械学習の展望について,産業的な視点を提供する。
  論文  参考訳（メタデータ） (2024-11-28T17:13:45Z)
• 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 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。