論文の概要: On quantum backpropagation, information reuse, and cheating measurement collapse

• arxiv url: http://arxiv.org/abs/2305.13362v1
• Date: Mon, 22 May 2023 18:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 21:17:57.111326
• Title: On quantum backpropagation, information reuse, and cheating measurement collapse
• Title（参考訳）: 量子バックプロパゲーション、情報再利用、不正測定崩壊について
• Authors: Amira Abbas, Robbie King, Hsin-Yuan Huang, William J. Huggins, Ramis Movassagh, Dar Gilboa, Jarrod R. McClean
• Abstract要約: パラメータ化量子モデルは、古典的ニューラルネットワークと同じくらい効率的にトレーニングできることを示す。 本稿では,量子リソースのバックプロパゲーションスケーリングにマッチするシャドウトモグラフィの基礎を持つアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 6.476797054353113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of modern deep learning hinges on the ability to train neural networks at scale. Through clever reuse of intermediate information, backpropagation facilitates training through gradient computation at a total cost roughly proportional to running the function, rather than incurring an additional factor proportional to the number of parameters - which can now be in the trillions. Naively, one expects that quantum measurement collapse entirely rules out the reuse of quantum information as in backpropagation. But recent developments in shadow tomography, which assumes access to multiple copies of a quantum state, have challenged that notion. Here, we investigate whether parameterized quantum models can train as efficiently as classical neural networks. We show that achieving backpropagation scaling is impossible without access to multiple copies of a state. With this added ability, we introduce an algorithm with foundations in shadow tomography that matches backpropagation scaling in quantum resources while reducing classical auxiliary computational costs to open problems in shadow tomography. These results highlight the nuance of reusing quantum information for practical purposes and clarify the unique difficulties in training large quantum models, which could alter the course of quantum machine learning.
• Abstract（参考訳）: 現代のディープラーニングの成功は、ニューラルネットワークを大規模にトレーニングする能力にかかっている。 中間情報の巧妙な再利用によって、バックプロパゲーションは、パラメータの数に比例する追加の要因を伴わずに、関数の実行にほぼ比例する総コストで勾配計算を通じてトレーニングを促進する。 量子計測が崩壊すると、バックプロパゲーションのように量子情報の再利用が完全に排除されることを期待している。 しかし、量子状態の複数のコピーにアクセスするシャドウトモグラフィーの最近の進歩は、その概念に挑戦している。 本稿では,パラメータ化量子モデルが従来のニューラルネットワークと同じくらい効率的に学習できるかどうかを検討する。 複数の状態のコピーにアクセスすることなく、バックプロパゲーションスケーリングを実現することは不可能である。 これにより,量子リソースのバックプロパゲーションスケーリングにマッチするシャドウトモグラフィの基礎を持つアルゴリズムを導入し,従来の補助計算コストを削減し,シャドウトモグラフィーの問題を解き放つ。 これらの結果は、実用的な目的のために量子情報の再利用のニュアンスを強調し、量子機械学習の過程を変える可能性のある大規模量子モデルのトレーニングにおけるユニークな困難を明らかにする。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum Network Tomography via Learning Isometries on Stiefel Manifold [7.796175259362575]
  本稿では,Stiefel多様体上のアイソメトリーを学習し,量子ネットワークトモグラフィーの効率的な手法を提案する。 その結果,提案手法は精度と効率性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-10T13:05:39Z)
• Learning the tensor network model of a quantum state using a few single-qubit measurements [0.0]
  人工量子システムの次元性は常に増大し、その特徴付けとベンチマークのために非常に効率的な方法が要求される。 本稿では,未知の量子系のテンソルネットワークモデルを学習する構成的かつ数値的に効率的なプロトコルを提案する。
  論文  参考訳（メタデータ） (2023-09-01T11:11:52Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)
• From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
  まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。 本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。 今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
  論文  参考訳（メタデータ） (2022-02-19T02:56:47Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• VSQL: Variational Shadow Quantum Learning for Classification [6.90132007891849]
  我々は,変分影量子学習と呼ぶ教師付き量子学習のための新しいハイブリッド量子古典フレームワークを提案する。 まず,変分影量子回路を用いて古典的特徴を畳み込みで抽出し,完全連結ニューラルネットワークを用いて分類タスクを完了させる。 本手法は,パラメータ数を著しく削減し,量子回路トレーニングをより容易に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-12-15T13:51:01Z)

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。