Fugu-MT 論文翻訳(概要): A Quantum Optical Recurrent Neural Network for Online Processing of Quantum Times Series

論文の概要: A Quantum Optical Recurrent Neural Network for Online Processing of Quantum Times Series

arxiv url: http://arxiv.org/abs/2306.00134v1
Date: Wed, 31 May 2023 19:19:25 GMT
ステータス: 処理完了
システム内更新日: 2023-06-02 19:48:25.293678
Title: A Quantum Optical Recurrent Neural Network for Online Processing of Quantum Times Series
Title（参考訳）: 量子時系列のオンライン処理のための量子光リカレントニューラルネットワーク
Authors: Robbe De Prins, Guy Van der Sande, and Peter Bienstman
Abstract要約: 量子光リカレントニューラルネットワーク(QORNN)は,量子チャネルの伝送速度を高めることができることを示す。また、同モデルが不要であれば、同様のメモリ効果に対処できることも示している。我々は、この最後のタスクの小さなバージョンをフォトニックプロセッサのBorealis上で実行します。
参考スコア（独自算出の注目度）: 0.7087237546722617
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Over the last decade, researchers have studied the synergy between quantum computing (QC) and classical machine learning (ML) algorithms. However, measurements in QC often disturb or destroy quantum states, requiring multiple repetitions of data processing to estimate observable values. In particular, this prevents online (i.e., real-time, single-shot) processing of temporal data as measurements are commonly performed during intermediate stages. Recently, it was proposed to sidestep this issue by focusing on tasks with quantum output, thereby removing the need for detectors. Inspired by reservoir computers, a model was proposed where only a subset of the internal parameters are optimized while keeping the others fixed at random values. Here, we also process quantum time series, but we do so using a quantum optical recurrent neural network (QORNN) of which all internal interactions can be trained. As expected, this approach yields higher performance, as long as training the QORNN is feasible. We further show that our model can enhance the transmission rate of quantum channels that experience certain memory effects. Moreover, it can counteract similar memory effects if they are unwanted, a task that could previously only be solved when redundantly encoded input signals were available. Finally, we run a small-scale version of this last task on the photonic processor Borealis, demonstrating that our QORNN can be constructed using currently existing hardware.
Abstract（参考訳）: 過去10年間、研究者は量子コンピューティング(QC)と古典機械学習(ML)アルゴリズムのシナジーを研究してきた。しかし、QCにおける測定はしばしば量子状態を妨害または破壊し、観測可能な値を推定するために複数のデータ処理を必要とする。特に、これは、測定が一般的に中間段階で行われるように、時間データのオンライン(すなわち、リアルタイム、シングルショット)処理を防止する。近年,量子出力によるタスクに焦点をあてて,検出器の必要をなくすことにより,この問題の解決が提案されている。貯水池コンピュータに触発されて、内部パラメータのサブセットのみを最適化し、他のパラメータをランダムな値に固定するモデルが提案された。ここでは、量子時系列も処理しますが、すべての内部相互作用をトレーニングできる量子光リカレントニューラルネットワーク(qornn)を使用して処理します。予想通り、QORNNのトレーニングが可能である限り、このアプローチはより高いパフォーマンスをもたらす。さらに,このモデルにより,特定のメモリ効果を経験する量子チャネルの伝送速度が向上することを示す。さらに、同様のメモリ効果が望ましくない場合、冗長にエンコードされた入力信号が利用可能であった場合にのみ解決できるタスクである。最後に、この最後のタスクの小規模なバージョンをフォトニックプロセッサのBorealis上で実行し、現在のハードウェアでQORNNを構築できることを実証した。

関連論文リスト

A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
Density Matrix Emulation of Quantum Recurrent Neural Networks for Multivariate Time Series Prediction [0.07499722271664144]
量子リカレントニューラルネットワーク(QRNN)は、多変量時系列の将来の値をモデル化し予測するための頑健な候補である。 QRNNが複雑な入力系列の非自明なパターンを捉えることで、将来の値の正確な予測を行う方法を示す。
論文参考訳（メタデータ） (2023-10-31T17:32:11Z)
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)
A Model for Circuit Execution Runtime And Its Implications for Quantum Kernels At Practical Data Set Sizes [0.5906031288935515]
本稿では,量子回路に要する総回路実行時間に関するモデルを提案する。また、「回路の量子体積層の有効数」の概念も導入する。現在の量子コンピュータの速度で、我々のモデルはデータセットを数時間で処理できると予測している。
論文参考訳（メタデータ） (2023-07-11T02:38:22Z)
Error-tolerant quantum convolutional neural networks for symmetry-protected topological phases [0.0]
パラメトリック化量子回路、測定、フィードフォワードに基づく量子ニューラルネットワークは、大量の量子データを処理できる。量子畳み込みニューラルネットワーク(QCNN)を構築し,異なる対称性で保護された位相を認識できる。 QCNNの出力は閾値誤差確率以下の対称性破り誤差に対して頑健であることを示す。
論文参考訳（メタデータ） (2023-07-07T16:47:02Z)
Quantum Convolutional Neural Networks for Multi-Channel Supervised Learning [0.0]
本稿では,畳み込みカーネルとして使用するハードウェア適応型量子回路について述べる。提案する量子ニューラルネットワークは,マルチチャネルデータを含む分類タスクにおいて,既存のQCNNよりも優れていることを示す。
論文参考訳（メタデータ） (2023-05-30T11:48:12Z)
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)
A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文参考訳（メタデータ） (2021-07-19T23:41:03Z)
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)
Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文参考訳（メタデータ） (2020-06-25T17:59:44Z)

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。