論文の概要: Sequence Processing with Quantum Tensor Networks
- arxiv url: http://arxiv.org/abs/2308.07865v1
- Date: Tue, 15 Aug 2023 16:33:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 12:11:27.605568
- Title: Sequence Processing with Quantum Tensor Networks
- Title(参考訳): 量子テンソルネットワークを用いたシーケンス処理
- Authors: Carys Harvey, Richie Yeung, Konstantinos Meichanetzidis
- Abstract要約: 本稿では,解釈可能性と資源圧縮を動機としたシーケンス処理のための複雑なテンソルネットワークモデルを提案する。
本研究では,自然言語とバイオインフォマティクスに関連する配列のバイナリ分類の課題について実験的に検討した。
また,QuantinuumのH2-1トラップイオン量子プロセッサの実装を実証し,短期量子デバイス上での効率的なシーケンス処理の可能性を示した。
- 参考スコア(独自算出の注目度): 1.534667887016089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce complex-valued tensor network models for sequence processing
motivated by correspondence to probabilistic graphical models, interpretability
and resource compression. Inductive bias is introduced to our models via
network architecture, and is motivated by the correlation structure inherent in
the data, as well as any relevant compositional structure, resulting in
tree-like connectivity. Our models are specifically constructed using
parameterised quantum circuits, widely used in quantum machine learning,
effectively using Hilbert space as a feature space. Furthermore, they are
efficiently trainable due to their tree-like structure. We demonstrate
experimental results for the task of binary classification of sequences from
real-world datasets relevant to natural language and bioinformatics,
characterised by long-range correlations and often equipped with syntactic
information. Since our models have a valid operational interpretation as
quantum processes, we also demonstrate their implementation on Quantinuum's
H2-1 trapped-ion quantum processor, demonstrating the possibility of efficient
sequence processing on near-term quantum devices. This work constitutes the
first scalable implementation of near-term quantum language processing,
providing the tools for large-scale experimentation on the role of tensor
structure and syntactic priors. Finally, this work lays the groundwork for
generative sequence modelling in a hybrid pipeline where the training may be
conducted efficiently in simulation, while sampling from learned probability
distributions may be done with polynomial speed-up on quantum devices.
- Abstract(参考訳): 本稿では,確率的グラフィカルモデル,解釈可能性,リソース圧縮に対応するシーケンス処理のための複雑なテンソルネットワークモデルを提案する。
帰納的バイアスはネットワークアーキテクチャを通じてモデルに導入され、データに固有の相関構造と関連する構成構造によって動機付けられ、木のような接続性をもたらす。
我々のモデルは、量子機械学習で広く使われているパラメータ化された量子回路を用いて、ヒルベルト空間を特徴空間として効果的に構築されている。
さらに、木のような構造のため、効率よく訓練できる。
本研究では,自然言語やバイオインフォマティクスに関連する実世界のデータセットから,長期的相関によって特徴付けられ,しばしば構文情報を備えたシーケンスのバイナリ分類を行うための実験結果を示す。
我々のモデルは量子プロセスとして有効な操作解釈を持つので、QuantinuumのH2-1トラップイオン量子プロセッサの実装を実証し、短期量子デバイス上での効率的なシーケンス処理の可能性を示す。
この研究は、近い将来の量子言語処理の最初のスケーラブルな実装であり、テンソル構造と構文前処理の役割を大規模に実験するためのツールを提供する。
最後に, 学習確率分布からのサンプリングは, 量子デバイス上で多項式速度アップによって行うことができるが, シミュレーションで効率的に訓練を行うことができるハイブリッドパイプラインにおける生成シーケンスモデリングの基礎となる手法を提案する。
関連論文リスト
- Scalable and interpretable quantum natural language processing: an implementation on trapped ions [1.0037949839020768]
本稿では,テキストレベルの量子自然言語処理の実装について述べる。
QDisCoCircモデルに焦点をあて、AIの解釈可能なレンダリングに対する構成的アプローチを基盤としています。
我々はQuantinuumのH1-1トラップイオン量子プロセッサの実験を行った。
論文 参考訳(メタデータ) (2024-09-13T12:36:14Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳(メタデータ) (2024-08-22T08:21:28Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳(メタデータ) (2023-11-07T04:35:03Z) - Tensor Networks or Decision Diagrams? Guidelines for Classical Quantum
Circuit Simulation [65.93830818469833]
テンソルネットワークと決定図は、異なる視点、用語、背景を念頭に、独立して開発されている。
これらの手法が古典的量子回路シミュレーションにどのようにアプローチするかを考察し、最も適用可能な抽象化レベルに関してそれらの相似性を考察する。
量子回路シミュレーションにおいて,テンソルネットワークの使い勝手の向上と決定図の使い勝手の向上に関するガイドラインを提供する。
論文 参考訳(メタデータ) (2023-02-13T19:00:00Z) - A performance characterization of quantum generative models [35.974070202997176]
量子生成モデリングに使用される量子回路を比較する。
2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。
確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
論文 参考訳(メタデータ) (2023-01-23T11:00:29Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳(メタデータ) (2022-01-21T16:35:35Z) - Tree tensor network classifiers for machine learning: from
quantum-inspired to quantum-assisted [0.0]
本稿では,データベクトルの長さが指数関数的に大きいヒルベルト空間において,多変量データを量子状態に符号化する量子支援機械学習(QAML)法について述べる。
本稿ではゲートベースの量子コンピューティングデバイスに実装可能なアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-06T02:31:48Z) - An end-to-end trainable hybrid classical-quantum classifier [0.0]
量子インスパイアされたテンソルネットワークと変分量子回路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。
このアーキテクチャにより、モデルの古典的および量子的部分を同時にトレーニングすることができ、エンドツーエンドのトレーニングフレームワークを提供する。
論文 参考訳(メタデータ) (2021-02-04T05:19:54Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳(メタデータ) (2021-01-21T22:18:49Z) - 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。