論文の概要: Neural Networks for Programming Quantum Annealers
- arxiv url: http://arxiv.org/abs/2308.06807v1
- Date: Sun, 13 Aug 2023 16:43:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 15:16:22.772375
- Title: Neural Networks for Programming Quantum Annealers
- Title(参考訳): 量子アニーラプログラミングのためのニューラルネットワーク
- Authors: Samuel Bosch, Bobak Kiani, Rui Yang, Adrian Lupascu, and Seth Lloyd
- Abstract要約: 量子機械学習は、古典的なコンピュータで難解な問題を解くなど、人工知能の進歩を可能にする可能性がある。
本研究では、古典的な完全分岐ニューラルネットワークを小さな量子アニールで接続する、類似しているが全く同じではない場合について考察する。
このシステムをシミュレートして、画像や音声認識など、いくつかの一般的なデータセットを学習する。
- 参考スコア(独自算出の注目度): 6.531395267592592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning has the potential to enable advances in artificial
intelligence, such as solving problems intractable on classical computers. Some
fundamental ideas behind quantum machine learning are similar to kernel methods
in classical machine learning. Both process information by mapping it into
high-dimensional vector spaces without explicitly calculating their numerical
values. We explore a setup for performing classification on labeled classical
datasets, consisting of a classical neural network connected to a quantum
annealer. The neural network programs the quantum annealer's controls and
thereby maps the annealer's initial states into new states in the Hilbert
space. The neural network's parameters are optimized to maximize the distance
of states corresponding to inputs from different classes and minimize the
distance between quantum states corresponding to the same class. Recent
literature showed that at least some of the "learning" is due to the quantum
annealer, connecting a small linear network to a quantum annealer and using it
to learn small and linearly inseparable datasets. In this study, we consider a
similar but not quite the same case, where a classical fully-fledged neural
network is connected with a small quantum annealer. In such a setting, the
fully-fledged classical neural-network already has built-in nonlinearity and
learning power, and can already handle the classification problem alone, we
want to see whether an additional quantum layer could boost its performance. We
simulate this system to learn several common datasets, including those for
image and sound recognition. We conclude that adding a small quantum annealer
does not provide a significant benefit over just using a regular (nonlinear)
classical neural network.
- Abstract(参考訳): 量子機械学習は、古典的なコンピュータで難解な問題を解くなど、人工知能の進歩を可能にする可能性がある。
量子機械学習の基本的な考え方は、古典的な機械学習におけるカーネルメソッドに似ている。
どちらの処理情報も、その数値を明示的に計算することなく高次元ベクトル空間にマッピングする。
古典的ニューラルネットワークを量子アニーラーに接続したラベル付き古典的データセットの分類を行うための構成について検討する。
ニューラルネットワークは量子アニーラーの制御をプログラムし、したがってアニーラーの初期状態をヒルベルト空間内の新しい状態にマッピングする。
ニューラルネットワークのパラメータは、異なるクラスからの入力に対応する状態の距離を最大化し、同じクラスに対応する量子状態間の距離を最小にするために最適化される。
最近の文献では、「学習」の少なくとも一部は量子アニールラーによるもので、小さな線形ネットワークを量子アニールラーに接続し、それを使って小さくて線形に分離可能なデータセットを学習している。
本研究では、古典的完全束縛ニューラルネットワークが小さな量子アニーラと接続される場合と、類似しているが全く同じではない場合を考える。
このような状況下では、本格的な古典的ニューラルネットワークは、すでに非線形性と学習能力が組み込まれており、分類問題のみを処理できるため、追加の量子層が性能を向上するかどうかを確認したい。
このシステムをシミュレートし、画像や音声の認識など、いくつかの一般的なデータセットを学習する。
我々は、通常の(非線形)古典的ニューラルネットワークを使用するだけでは、小さな量子アニールを追加しても大きなメリットはないと結論付けている。
関連論文リスト
- Bridging Classical and Quantum Machine Learning: Knowledge Transfer From
Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。
我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。
量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
論文 参考訳(メタデータ) (2023-11-23T05:06:43Z) - 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 machine learning for image classification [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - 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) - Quantum Methods for Neural Networks and Application to Medical Image
Classification [5.817995726696436]
ニューラルネットワークのための新しい量子法を2つ導入する。
1つ目は、量子ピラミッド回路に基づく量子直交ニューラルネットワークである。
第2の方法は量子支援ニューラルネットワークであり、量子コンピュータを用いて内部積推定を行う。
論文 参考訳(メタデータ) (2022-12-14T18:17:19Z) - 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) - Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning [0.5999777817331318]
本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。
提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。
この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
論文 参考訳(メタデータ) (2022-03-29T09:07:18Z) - 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) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳(メタデータ) (2020-10-21T09:46:12Z)
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。