論文の概要: Detecting quantum speedup of random walks with machine learning

• arxiv url: http://arxiv.org/abs/2309.02212v1
• Date: Tue, 5 Sep 2023 13:19:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 14:32:15.308919
• Title: Detecting quantum speedup of random walks with machine learning
• Title（参考訳）: 機械学習によるランダムウォークの量子スピードアップの検出
• Authors: Hanna Linn, Yu Zheng, Anton Frisk Kockum
• Abstract要約: グラフ上のランダムウォークにおける量子スピードアップを検出するために,機械学習技術を用いる。 その結果,トレーニング用データセットを慎重に構築することで,ニューラルネットワークの性能が向上することが示唆された。 分類精度がさらに向上すれば、これらのニューラルネットワークから量子優位性に関する貴重な洞察を得ることができる。
• 参考スコア（独自算出の注目度）: 8.151729519194182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore the use of machine-learning techniques to detect quantum speedup in random walks on graphs. Specifically, we investigate the performance of three different neural-network architectures (variations on fully connected and convolutional neural networks) for identifying linear, cyclic, and random graphs that yield quantum speedups in terms of the hitting time for reaching a target node after starting in another node of the graph. Our results indicate that carefully building the data set for training can improve the performance of the neural networks, but all architectures we test struggle to classify large random graphs and generalize from training on one graph size to testing on another. If classification accuracy can be improved further, valuable insights about quantum advantage may be gleaned from these neural networks, not only for random walks, but more generally for quantum computing and quantum transport.
• Abstract（参考訳）: グラフ上のランダムウォークにおける量子スピードアップを検出するための機械学習手法について検討する。 具体的には,線形,巡回的,ランダムな3種類のニューラルネットワークアーキテクチャ(完全連結および畳み込みニューラルネットワークの変分)の性能について検討し,グラフの他のノードで開始後,目標ノードに到達するための打上げ時間の観点から量子スピードアップを求める。 以上の結果から,トレーニング用データセットを慎重に構築することでニューラルネットワークの性能が向上する可能性が示唆された。しかし,我々がテストしているすべてのアーキテクチャは,大きなランダムグラフの分類や,あるグラフサイズでのトレーニングから別のテストへの一般化に苦労している。 分類精度がさらに向上すれば、ランダムウォークだけでなく、量子コンピューティングや量子輸送の分野でも、これらのニューラルネットワークから量子優位性に関する貴重な洞察を引き出すことができる。

関連論文リスト

• Echo-evolution data generation for quantum error mitigation via neural networks [0.0]
  本稿では,ニューラルネットワークによる量子エラー軽減のためのトレーニングデータを生成する物理動機付け手法を提案する。 この方法では、初期状態は前後に進化し、進化の終わりに初期状態に戻る。 我々は、エコー進化生成データに基づいてトレーニングされたフィードフォワード完全連結ニューラルネットワークが、フォワード・イン・タイム進化の結果を補正できることを実証した。
  論文  参考訳（メタデータ） (2023-11-01T12:40:10Z)
• 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)
• 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)
• New quantum neural network designs [0.0]
  本稿では,新しい量子ニューラルネットワークの設計性能について検討する。 我々は特徴マップと変分回路を1つのパラメータ化回路にマージする新しい手法を開発した。 損失の低減、精度の向上、収束の高速化を実現しています。
  論文  参考訳（メタデータ） (2022-03-12T10:20:14Z)
• Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity on Pruned Neural Networks [79.74580058178594]
  目的関数の幾何学的構造を解析することにより、刈り取られたニューラルネットワークを訓練する性能を解析する。 本稿では,ニューラルネットワークモデルがプルーニングされるにつれて,一般化が保証された望ましいモデル近傍の凸領域が大きくなることを示す。
  論文  参考訳（メタデータ） (2021-10-12T01:11:07Z)
• 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)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• 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)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。