論文の概要: A Novel Stochastic LSTM Model Inspired by Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2305.10212v1
- Date: Wed, 17 May 2023 13:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 15:49:39.097958
- Title: A Novel Stochastic LSTM Model Inspired by Quantum Machine Learning
- Title(参考訳): 量子機械学習にインスパイアされた新しい確率型LSTMモデル
- Authors: Joseph Lindsay, Ramtin Zand
- Abstract要約: 過去数年間の量子機械学習(QML)の研究は、QMLアルゴリズムが従来のアルゴリズムと同様に機能することを示唆している。
この研究は、QMLが古典機械にその性質を組み込むことで、いくつかの報告された利益を達成できるかどうかを解明することを目的としている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Works in quantum machine learning (QML) over the past few years indicate that
QML algorithms can function just as well as their classical counterparts, and
even outperform them in some cases. Among the corpus of recent work, many
current QML models take advantage of variational quantum algorithm (VQA)
circuits, given that their scale is typically small enough to be compatible
with NISQ devices and the method of automatic differentiation for optimizing
circuit parameters is familiar to machine learning (ML). While the results bear
interesting promise for an era when quantum machines are more readily
accessible, if one can achieve similar results through non-quantum methods then
there may be a more near-term advantage available to practitioners. To this
end, the nature of this work is to investigate the utilization of stochastic
methods inspired by a variational quantum version of the long short-term memory
(LSTM) model in an attempt to approach the reported successes in performance
and rapid convergence. By analyzing the performance of classical, stochastic,
and quantum methods, this work aims to elucidate if it is possible to achieve
some of QML's major reported benefits on classical machines by incorporating
aspects of its stochasticity.
- Abstract(参考訳): 過去数年間の量子機械学習(QML)の研究は、QMLアルゴリズムが従来のアルゴリズムと同様に機能し、場合によっては性能も向上していることを示している。
最近の研究のコーパスの中で、多くのQMLモデルは変分量子アルゴリズム(VQA)回路を利用しており、そのスケールは典型的にはNISQデバイスと互換性があり、回路パラメータを最適化するための自動微分法は機械学習(ML)に精通している。
量子マシンがアクセスしやすい時代にとって、この結果は興味深い約束だが、もしも量子以外の方法で同様の結果が得られるなら、実践者にとってより短期的な利点があるかもしれない。
この目的のために,長寿命メモリ(LSTM)モデルの変分量子バージョンにインスパイアされた確率的手法の利用について検討し,性能と迅速な収束の報告にアプローチすることを目的とする。
古典的・確率的・量子的手法の性能を解析することにより、この研究は、古典機械におけるQMLの主な利点を、その確率性の側面を取り入れることで達成できるかどうかを解明することを目的としている。
関連論文リスト
- Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳(メタデータ) (2024-11-13T12:03:39Z) - Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。
QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
論文 参考訳(メタデータ) (2024-05-18T14:35:57Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-21T21:40:47Z) - Explainable Quantum Machine Learning [0.7046417074932257]
人工知能(AI)や特に機械学習(ML)の手法は、これまで以上に複雑になってきている。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善が進行中である。
論文 参考訳(メタデータ) (2023-01-22T15:17:12Z) - A preprocessing perspective for quantum machine learning classification
advantage using NISQ algorithms [0.0]
変分量子アルゴリズム(VQA)は,LDA法とバランスの取れた精度で性能が向上したことを示す。
現在の量子コンピュータはノイズが多く、テストする量子ビットは少ないため、QML法の現在の量子的利点と潜在的な量子的優位性を実証することは困難である。
論文 参考訳(メタデータ) (2022-08-28T16:58:37Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - Quantum Approximate Optimization Algorithm Based Maximum Likelihood
Detection [80.28858481461418]
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
論文 参考訳(メタデータ) (2021-07-11T10:56:24Z) - Higgs analysis with quantum classifiers [0.0]
我々は、$tbartH(bbarb)$分類問題に対する2つの量子分類器モデルを開発した。
この結果は、量子機械学習(QML)メソッドが類似あるいはより良い性能を持つことができるという概念の証明として役立ちます。
論文 参考訳(メタデータ) (2021-04-15T18:01:51Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z) - Quantum Long Short-Term Memory [3.675884635364471]
LSTM(Long Short-term memory)は、シーケンスおよび時間依存性データモデリングのためのリカレントニューラルネットワーク(RNN)である。
本稿では,QLSTMを疑似化したLSTMのハイブリッド量子古典モデルを提案する。
我々の研究は、ノイズの多い中間スケール量子(NISQ)デバイス上でのシーケンスモデリングのための機械学習アルゴリズムの実装への道を開いた。
論文 参考訳(メタデータ) (2020-09-03T16:41:09Z) - 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)
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。