論文の概要: Experimentally Realizable Continuous-variable Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2306.02525v1
- Date: Mon, 5 Jun 2023 01:18:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 17:29:44.779692
- Title: Experimentally Realizable Continuous-variable Quantum Neural Networks
- Title（参考訳）: 実験的に実現可能な連続可変量子ニューラルネットワーク
- Authors: Shikha Bangar, Leanto Sunny, Kubra Yeter-Aydeniz, George Siopsis
- Abstract要約: 連続可変(CV)量子コンピューティングは、ニューラルネットワークモデルを構築する大きな可能性を示している。
CVニューラルネットワークプロトコルに関するこれまでの研究は、ネットワーク内の非ガウス演算子の実装を必要としていた。
我々は、現在のフォトニック量子ハードウェアで実験的に実現可能なCVハイブリッド量子古典ニューラルネットワークプロトコルを構築した。
- 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: Continuous-variable (CV) quantum computing has shown great potential for
building neural network models. These neural networks can have different levels
of quantum-classical hybridization depending on the complexity of the problem.
Previous work on CV neural network protocols required the implementation of
non-Gaussian operators in the network. These operators were used to introduce
non-linearity, an essential feature of neural networks. However, these
protocols are hard to execute experimentally. We built a CV hybrid
quantum-classical neural network protocol that can be realized experimentally
with current photonic quantum hardware. Our protocol uses Gaussian gates only
with the addition of ancillary qumodes. We implemented non-linearity through
repeat-until-success measurements on ancillary qumodes. To test our neural
network, we studied canonical machine learning and quantum computer problems in
a supervised learning setting -- state preparation, curve fitting, and
classification problems. We achieved high fidelity in state preparation of
single-photon (99.9%), cat (99.8%), and Gottesman-Kitaev-Preskill (93.9%)
states, a well-fitted curve in the presence of noise at a cost of less than 1%,
and more than 95% accuracy in classification problems. These results bode well
for real-world applications of CV quantum neural networks.
- Abstract（参考訳）: 連続可変(CV)量子コンピューティングは、ニューラルネットワークモデルを構築する大きな可能性を示している。
これらのニューラルネットワークは、問題の複雑さに応じて、量子古典的ハイブリダイゼーションの異なるレベルを持つことができる。
cvニューラルネットワークプロトコルの以前の作業では、ネットワーク内の非ガウス演算子の実装が必要だった。
これらの演算子は、ニューラルネットワークの重要な特徴である非線形性を導入するのに使われた。
しかし、これらのプロトコルを実験的に実行するのは難しい。
現在のフォトニック量子ハードウェアで実験的に実現可能なcvハイブリッド量子古典ニューラルネットワークプロトコルを構築した。
我々のプロトコルは、補助クォーモットの追加だけでガウス門を使用する。
漸近量子モード上で繰り返しアンティルサクセス測定を行い,非線形性を実装した。
ニューラルネットワークをテストするために、教師付き学習環境(状態準備、カーブフィッティング、分類問題)において、標準機械学習と量子コンピュータの問題を研究した。
単一光子 (99.9%), 猫 (99.8%), ゴッテマン・キタエフ・プレスキル (93.9%) の状態の合成において高い忠実性を達成し, 雑音の存在下では1%未満のコストで十分に適合する曲線, 分類問題において95%以上の精度を得た。
これらの結果は、CV量子ニューラルネットワークの現実的な応用に有効である。
関連論文リスト
- Quantum Convolutional Neural Network: A Hybrid Quantum-Classical Approach for Iris Dataset Classification [0.0]
本稿では,4量子ビット量子回路と古典的ニューラルネットワークを組み合わせた,分類タスクのためのハイブリッド量子古典型機械学習モデルを提案する。
このモデルは20エポック以上で訓練され、16エポックに設定されたIrisデータセットテストで100%の精度を達成した。
この研究は、ハイブリッド量子古典モデルの研究の活発化と、実際のデータセットへの適用性に寄与する。
論文 参考訳（メタデータ） (2024-10-21T13:15:12Z) - 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) - 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) - 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) - Quantum Neural Network for Quantum Neural Computing [0.0]
本稿では,量子ニューラルネットワークのための新しい量子ニューラルネットワークモデルを提案する。
我々のモデルは、状態空間のサイズがニューロンの数とともに指数関数的に大きくなるという問題を回避している。
我々は手書き文字認識や他の非線形分類タスクのモデルをベンチマークする。
論文 参考訳（メタデータ） (2023-05-15T11:16:47Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - 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 Hybrid Quantum-Classical Neural Network Architecture for Binary
Classification [0.0]
本稿では,各ニューロンが変動量子回路であるハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
シミュレーションハードウェアでは、ハイブリッドニューラルネットワークは、個々の変動量子回路よりも約10%高い分類精度とコストの20%の最小化を実現している。
論文 参考訳（メタデータ） (2022-01-05T21:06:30Z) - 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) - 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。