論文の概要: ResQNets: A Residual Approach for Mitigating Barren Plateaus in Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2305.03527v1
• Date: Fri, 5 May 2023 13:33:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 13:52:20.425893
• Title: ResQNets: A Residual Approach for Mitigating Barren Plateaus in Quantum Neural Networks
• Title（参考訳）: ResQNets:量子ニューラルネットワークにおけるバレン高原の緩和のための残留的アプローチ
• Authors: Muhammad Kashif, Saif Al-kuwari
• Abstract要約: 量子ニューラルネットワーク(QNN)におけるバレンプラトー問題は、QNNの実践的な成功を妨げる重要な課題である。 本稿では、この問題に対処するための解として、残留量子ニューラルネットワーク(ResQNet)を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The barren plateau problem in quantum neural networks (QNNs) is a significant challenge that hinders the practical success of QNNs. In this paper, we introduce residual quantum neural networks (ResQNets) as a solution to address this problem. ResQNets are inspired by classical residual neural networks and involve splitting the conventional QNN architecture into multiple quantum nodes, each containing its own parameterized quantum circuit, and introducing residual connections between these nodes. Our study demonstrates the efficacy of ResQNets by comparing their performance with that of conventional QNNs and plain quantum neural networks (PlainQNets) through multiple training experiments and analyzing the cost function landscapes. Our results show that the incorporation of residual connections results in improved training performance. Therefore, we conclude that ResQNets offer a promising solution to overcome the barren plateau problem in QNNs and provide a potential direction for future research in the field of quantum machine learning.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)におけるバレンプラトー問題は、QNNの実践的な成功を妨げる重要な課題である。 本稿では,この問題に対する解決策として,残留量子ニューラルネットワーク(resqnets)を提案する。 resqnetは古典的な残留ニューラルネットワークにインスパイアされ、従来のqnnアーキテクチャを複数の量子ノードに分割し、それぞれが独自のパラメータ化された量子回路を持ち、これらのノード間の残留接続を導入する。 本研究では,従来のQNNと平易な量子ニューラルネットワーク(PlainQNet)の性能を複数のトレーニング実験により比較し,コスト関数のランドスケープを解析することによって,ResQNetの有効性を実証する。 以上の結果から, 残留接続の導入により, トレーニング性能が向上した。 したがって、ResQNetsは、QNNにおける不毛な高原問題を克服し、量子機械学習分野における今後の研究の方向性を示す、有望なソリューションを提供する。

関連論文リスト

• A Coverage-Guided Testing Framework for Quantum Neural Networks [1.7101498519540597]
  量子ニューラルネットワーク(QNN)は、量子コンピューティングとニューラルネットワークを組み合わせて機械学習モデルを改善する。 本稿では,QNNの状態探索を体系的に評価するために,QNNを対象としたテストカバレッジ基準のセットであるQCovを提案する。
  論文  参考訳（メタデータ） (2024-11-03T08:07:27Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Neural network encoded variational quantum algorithms [0.241710192205034]
  ニューラルネットワーク(NN)符号化変分量子アルゴリズム(VQA)という一般的なフレームワークを導入する。 NN-VQAは与えられた問題からニューラルネットワークに入力(ハミルトンのパラメータなど)を供給し、その出力を使用して標準VQAのアンサッツ回路をパラメータ化する。 パラメータ化されたXXZスピンモデルの基底状態を解決するためのNN変分量子固有解器(VQE)について報告する。
  論文  参考訳（メタデータ） (2023-08-02T10:32:57Z)
• 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)
• Scalable Quantum Convolutional Neural Networks [12.261689483681145]
  我々は、スケーラブル量子畳み込みニューラルネットワーク(sQCNN)と呼ばれる量子ニューラルネットワーク(QCNN)の新バージョンを提案する。 さらに、QCの忠実度を用いて、sQCNNの性能を最大化する逆忠実度トレーニング(RF-Train)と呼ばれるsQCNNトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T02:07:00Z)
• Exponentially Many Local Minima in Quantum Neural Networks [9.442139459221785]
  量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークと同じような約束のため、重要な量子アプリケーションである。 我々は,QNNの損失関数のランドスケープを定量的に調査し,トレーニング用に単純だが極めて難しいQNNインスタンスのクラスを同定する。 我々は、我々の構成が、典型的な勾配ベースの回路で実際に難しい事例となることを実証的に確認する。
  論文  参考訳（メタデータ） (2021-10-06T03:23:44Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• Statistical Tests and Confidential Intervals as Thresholds for Quantum Neural Networks [0.0]
  我々は、最小二乗量子ニューラルネットワーク(LS-QNN)、対応する量子ニューラルネットワーク(PI-QNN)、回帰量子ニューラルネットワーク(PR-QNN)、およびカイ二乗量子ニューラルネットワーク(chi2$-QNN)を分析し、構築する。 対応するトレーニングルールのしきい値として、ソリューションやテストを使用します。
  論文  参考訳（メタデータ） (2020-01-30T05:41:04Z)

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。