論文の概要: Pre-training Tensor-Train Networks Facilitates Machine Learning with
Variational Quantum Circuits
- arxiv url: http://arxiv.org/abs/2306.03741v1
- Date: Thu, 18 May 2023 03:08:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-11 13:37:47.616324
- Title: Pre-training Tensor-Train Networks Facilitates Machine Learning with
Variational Quantum Circuits
- Title(参考訳): プレトレーニングテンソル-トレインネットワークは変動量子回路を用いた機械学習を促進する
- Authors: Jun Qi, Chao-Han Huck Yang, Pin-Yu Chen, Min-Hsiu Hsieh
- Abstract要約: 変分量子回路(VQC)は、ノイズの多い量子デバイス上で量子ニューラルネットワークを実装するための有望なアプローチである。
近年の研究では、VQCのテンソルトレインネットワーク(TTN)、すなわちTTN-VQCがVQCの表現と一般化能力を改善することが示されている。
本稿では, TTN-VQCアーキテクチャをベースとした学習手法であるPre+TTN-VQCを提案する。
- 参考スコア(独自算出の注目度): 83.79664725059877
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Variational quantum circuit (VQC) is a promising approach for implementing
quantum neural networks on noisy intermediate-scale quantum (NISQ) devices.
Recent studies have shown that a tensor-train network (TTN) for VQC, namely
TTN-VQC, can improve the representation and generalization powers of VQC.
However, the Barren Plateau problem leads to the gradients of the cost function
vanishing exponentially small as the number of qubits increases, making it
difficult to find the optimal parameters for the VQC. To address this issue, we
put forth a new learning approach called Pre+TTN-VQC that builds upon the
TTN-VQC architecture by incorporating a pre-trained TTN to alleviate the Barren
Plateau problem. The pre-trained TTN allows for efficient fine-tuning of target
data, which reduces the depth of the VQC required to achieve good empirical
performance and potentially alleviates the training obstacles posed by the
Barren Plateau landscape. Furthermore, we highlight the advantages of
Pre+TTN-VQC in terms of representation and generalization powers by exploiting
the error performance analysis. Moreover, we characterize the optimization
performance of Pre+TTN-VQC without the need for the Polyak-Lojasiewicz
condition, thereby enhancing the practicality of implementing quantum neural
networks on NISQ devices. We conduct experiments on a handwritten digit
classification dataset to corroborate our proposed methods and theorems.
- Abstract(参考訳): 変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上で量子ニューラルネットワークを実装するための有望なアプローチである。
近年の研究では、VQCのテンソルトレインネットワーク(TTN)、すなわちTTN-VQCがVQCの表現と一般化能力を改善することが示されている。
しかし、バレン高原の問題は、キュービット数が増加するにつれてコスト関数の勾配が指数関数的に小さくなり、VQCの最適パラメータを見つけるのが難しくなる。
この問題に対処するため,我々は,TTN-VQCアーキテクチャ上に構築したPre+TTN-VQCという新たな学習手法を,事前学習したTTNを組み込んでバレン高原問題を緩和する。
事前訓練されたTTNは、目標データの効率的な微調整を可能にし、良好な経験的性能を達成するために必要なVQCの深さを低減し、バレン高原の景観によって引き起こされるトレーニング障害を軽減する可能性がある。
さらに,誤り性能解析を利用して,Pre+TTN-VQCの表現と一般化能力の利点を強調した。
さらに,Polyak-Lojasiewicz条件を必要とせずに,Pre+TTN-VQCの最適化性能を特徴付けることにより,NISQデバイスに量子ニューラルネットワークを実装する実用性を向上させる。
提案手法と定理を相関付けるために手書き桁分類データセットの実験を行った。
関連論文リスト
- A joint optimization approach of parameterized quantum circuits with a
tensor network [0.0]
現在の中間スケール量子(NISQ)デバイスはその能力に制限がある。
本稿では,パラメータ化ネットワーク(TN)を用いて,変分量子固有解法(VQE)アルゴリズムの性能改善を試みる。
論文 参考訳(メタデータ) (2024-02-19T12:53:52Z) - 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) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳(メタデータ) (2022-11-29T13:32:38Z) - FV-Train: Quantum Convolutional Neural Network Training with a Finite
Number of Qubits by Extracting Diverse Features [12.261689483681145]
QCNNの畳み込みフィルタは、量子ベースのアンサッツを用いて固有の特徴を抽出するので、バレンプラトーを防ぐために有限個の量子ビットのみを使用するべきである。
有限個の量子ビットのみを使用しながら特徴抽出を最適化する新しいQCNN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) (2022-09-19T02:53:33Z) - Theoretical Error Performance Analysis for Variational Quantum Circuit
Based Functional Regression [83.79664725059877]
本研究では,次元減少と機能回帰のためのエンドツーエンドの量子ニューラルネットワークであるTTN-VQCを提案する。
また,polyak-Lojasiewicz (PL) 条件を利用してTTN-VQCの最適化特性を特徴付ける。
論文 参考訳(メタデータ) (2022-06-08T06:54:07Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳(メタデータ) (2021-10-06T14:44:51Z) - A Statistical Framework for Low-bitwidth Training of Deep Neural
Networks [70.77754244060384]
フル量子化トレーニング(FQT)は、ニューラルネットワークモデルのアクティベーション、重み、勾配を定量化することで、低ビット幅のハードウェアを使用する。
FQTの最大の課題は、特に勾配量子化が収束特性にどのように影響するかという理論的な理解の欠如である。
論文 参考訳(メタデータ) (2020-10-27T13:57:33Z) - Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。
この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
論文 参考訳(メタデータ) (2020-08-06T17:48:12Z)
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。