Fugu-MT 論文翻訳(概要): A Novel Spatial-Temporal Variational Quantum Circuit to Enable Deep Learning on NISQ Devices

論文の概要: A Novel Spatial-Temporal Variational Quantum Circuit to Enable Deep Learning on NISQ Devices

arxiv url: http://arxiv.org/abs/2307.09771v1
Date: Wed, 19 Jul 2023 06:17:16 GMT
ステータス: 処理完了
システム内更新日: 2023-07-20 15:18:33.762768
Title: A Novel Spatial-Temporal Variational Quantum Circuit to Enable Deep Learning on NISQ Devices
Title（参考訳）: NISQデバイス上での深層学習を可能にする空間時間変動量子回路
Authors: Jinyang Li, Zhepeng Wang, Zhirui Hu, Prasanna Date, Ang Li, Weiwen Jiang
Abstract要約: 本稿では,量子学習における非線形性を統合するために,新しい時空間設計,ST-VQCを提案する。 ST-VQCは、実際の量子コンピュータ上の既存のVQCと比較して30%以上の精度向上を達成できる。
参考スコア（独自算出の注目度）: 12.873184000122542
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum computing presents a promising approach for machine learning with its capability for extremely parallel computation in high-dimension through superposition and entanglement. Despite its potential, existing quantum learning algorithms, such as Variational Quantum Circuits(VQCs), face challenges in handling more complex datasets, particularly those that are not linearly separable. What's more, it encounters the deployability issue, making the learning models suffer a drastic accuracy drop after deploying them to the actual quantum devices. To overcome these limitations, this paper proposes a novel spatial-temporal design, namely ST-VQC, to integrate non-linearity in quantum learning and improve the robustness of the learning model to noise. Specifically, ST-VQC can extract spatial features via a novel block-based encoding quantum sub-circuit coupled with a layer-wise computation quantum sub-circuit to enable temporal-wise deep learning. Additionally, a SWAP-Free physical circuit design is devised to improve robustness. These designs bring a number of hyperparameters. After a systematic analysis of the design space for each design component, an automated optimization framework is proposed to generate the ST-VQC quantum circuit. The proposed ST-VQC has been evaluated on two IBM quantum processors, ibm_cairo with 27 qubits and ibmq_lima with 7 qubits to assess its effectiveness. The results of the evaluation on the standard dataset for binary classification show that ST-VQC can achieve over 30% accuracy improvement compared with existing VQCs on actual quantum computers. Moreover, on a non-linear synthetic dataset, the ST-VQC outperforms a linear classifier by 27.9%, while the linear classifier using classical computing outperforms the existing VQC by 15.58%.
Abstract（参考訳）: 量子コンピューティングは、重畳と絡み合いによる高次元の超並列計算能力を備えた機械学習に有望なアプローチを示す。その可能性にもかかわらず、変分量子回路(VQC)のような既存の量子学習アルゴリズムは、より複雑なデータセット、特に線形分離不能なデータセットを扱う際の課題に直面している。さらに、それはデプロイ可能性の問題に遭遇し、実際の量子デバイスにデプロイした後、学習モデルが劇的な精度低下に陥ります。これらの制約を克服するために,量子学習における非線形性を統合し,学習モデルの雑音に対する堅牢性を改善するための新しい時空間設計,ST-VQCを提案する。具体的には、st-vqcは、新しいブロックベースエンコーディング量子サブサーキットと層状計算量子サブサーキットを結合して、時間的ディープラーニングを可能にすることで、空間的特徴を抽出することができる。さらに、SWAPフリーな物理回路設計は堅牢性を向上させるために考案された。これらの設計は、多くのハイパーパラメータをもたらす。設計部品ごとに設計空間を体系的に解析した後、ST-VQC量子回路を生成するための自動最適化フレームワークを提案する。提案したST-VQCは、2つのIBM量子プロセッサ、27量子ビットのibm_cairoと7量子ビットのibmq_limaで評価され、その効果が評価されている。バイナリ分類のための標準データセットの評価結果から、ST-VQCは実際の量子コンピュータ上の既存のVQCと比較して30%以上の精度向上を達成できることが示された。さらに、非線形合成データセットでは、ST-VQCは線形分類器を27.9%上回り、古典計算を用いた線形分類器は既存のVQCを15.58%上回る。

関連論文リスト

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)
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)
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)
Variational Quantum Approximate Spectral Clustering for Binary Clustering Problems [0.7550566004119158]
本稿では,変分量子近似スペクトルクラスタリング(VQASC)アルゴリズムを提案する。 VQASCは、伝統的に古典的な問題で必要とされるシステムサイズ、Nよりも少ないパラメータの最適化を必要とする。合成と実世界の両方のデータセットから得られた数値結果について述べる。
論文参考訳（メタデータ） (2023-09-08T17:54:42Z)
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)
TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文参考訳（メタデータ） (2023-01-13T09:35:05Z)
QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文参考訳（メタデータ） (2022-07-14T12:22:51Z)
When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文参考訳（メタデータ） (2022-02-17T09:55:21Z)
Hybrid quantum-classical classifier based on tensor network and variational quantum circuit [0.0]
本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-30T09:43:59Z)
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-enhanced data classification with a variational entangled sensor network [3.1083620257082707]
絡み合ったセンサーネットワーク(SLAEN)によって補助される監視学習は、古典的な機械学習アルゴリズムによって訓練されたVQCを利用する、独立したパラダイムである。我々の研究は、NISQ時代における量子化データ処理の新たな道のりを開拓している。
論文参考訳（メタデータ） (2020-06-22T01:22:33Z)

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。