論文の概要: Trainability and Expressivity of Hamming-Weight Preserving Quantum
Circuits for Machine Learning
- arxiv url: http://arxiv.org/abs/2309.15547v1
- Date: Wed, 27 Sep 2023 10:11:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 14:12:08.691151
- Title: Trainability and Expressivity of Hamming-Weight Preserving Quantum
Circuits for Machine Learning
- Title(参考訳): 機械学習のためのハミング重み保存量子回路のトレーサビリティと表現性
- Authors: L\'eo Monbroussou, Jonas Landman, Alex B. Grilo, Romain Kukla, and
Elham Kashefi
- Abstract要約: 特定のハミング重み保存量子回路のトレーニング可能性と制御性について解析する。
これらの回路はヒルベルト空間の部分空間を保存するゲートを用いており、固定ハミング重み$k$の基底状態によって区切られている。
古典的なデータのロードとトレーニング可能なレイヤの実行の両方によって、ニューラルネットワークを模倣する優れた候補だ。
- 参考スコア(独自算出の注目度): 2.3420045370973828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning has become a promising area for real world
applications of quantum computers, but near-term methods and their scalability
are still important research topics. In this context, we analyze the
trainability and controllability of specific Hamming weight preserving quantum
circuits. These circuits use gates that preserve subspaces of the Hilbert
space, spanned by basis states with fixed Hamming weight $k$. They are good
candidates for mimicking neural networks, by both loading classical data and
performing trainable layers. In this work, we first design and prove the
feasibility of new heuristic data loaders, performing quantum amplitude
encoding of $\binom{n}{k}$-dimensional vectors by training a n-qubit quantum
circuit. Then, we analyze more generally the trainability of Hamming weight
preserving circuits, and show that the variance of their gradients is bounded
according to the size of the preserved subspace. This proves the conditions of
existence of Barren Plateaus for these circuits, and highlights a setting where
a recent conjecture on the link between controllability and trainability of
variational quantum circuits does not apply.
- Abstract(参考訳): 量子機械学習は、量子コンピュータの実世界の応用において有望な分野となっているが、短期的手法とその拡張性は依然として重要な研究課題である。
この文脈では、特定のハミング重み保存量子回路のトレーサビリティと制御可能性を分析する。
これらの回路はヒルベルト空間の部分空間を保存するゲートを使い、固定ハミング重み$k$の基底状態で張られている。
古典的なデータのロードとトレーニング可能なレイヤの実行の両方によって、ニューラルネットワークを模倣する優れた候補だ。
本研究では、まず、新しいヒューリスティックなデータローダの実現可能性を示し、nビット量子回路をトレーニングすることにより、$\binom{n}{k}$-dimensionalベクトルの量子振幅符号化を行う。
そして、より一般にハミング重み保存回路のトレーニング可能性を分析し、それらの勾配のばらつきが保存部分空間の大きさに応じて有界であることを示す。
これにより、これらの回路における不毛高原の存在条件が証明され、変分量子回路の制御可能性とトレーサビリティの関係に関する最近の予想が適用されないような設定が強調される。
関連論文リスト
- 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) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳(メタデータ) (2024-01-10T22:33:00Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - Re-QGAN: an optimized adversarial quantum circuit learning framework [0.0]
生成モデルの枠組みとして実ヒルベルト空間を用いる量子生成逆ネットワーク設計を提案する。
ステレオ投影法により古典情報をエンコードし,正規化手順を使わずに古典的領域全体を利用できるようにする。
このアーキテクチャは、浅い深さの量子回路を維持しながら、最先端の量子生成対向性能を向上させる。
論文 参考訳(メタデータ) (2022-08-03T15:52:27Z) - Gaussian initializations help deep variational quantum circuits escape
from the barren plateau [87.04438831673063]
近年、変分量子回路は量子シミュレーションや量子機械学習に広く用いられている。
しかし、ランダムな構造を持つ量子回路は、回路深さと量子ビット数に関して指数関数的に消える勾配のため、トレーニング容易性が低い。
この結果、ディープ量子回路は実用的なタスクでは実現できないという一般的な信念が導かれる。
論文 参考訳(メタデータ) (2022-03-17T15:06:40Z) - Q-means using variational quantum feature embedding [0.9572675949441442]
変分回路の目的は、量子的特徴を持つヒルベルト空間のクラスターを極大に分離することである。
量子回路の出力は、特定のクラスタに属する全ての量子状態の重ね合わせを表す特徴的なクラスター量子状態である。
期待値の勾配は、変動回路のパラメータを最適化し、より良い量子特徴写像を学習するために用いられる。
論文 参考訳(メタデータ) (2021-12-11T13:00:51Z) - An Algebraic Quantum Circuit Compression Algorithm for Hamiltonian
Simulation [55.41644538483948]
現在の世代のノイズの多い中間スケール量子コンピュータ(NISQ)は、チップサイズとエラー率に大きく制限されている。
我々は、自由フェルミオンとして知られる特定のスピンハミルトニアンをシミュレーションするために、量子回路を効率よく圧縮するために局所化回路変換を導出する。
提案した数値回路圧縮アルゴリズムは、後方安定に動作し、$mathcalO(103)$スピンを超える回路合成を可能にするスピンの数で3次スケールする。
論文 参考訳(メタデータ) (2021-08-06T19:38:03Z) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-17T12:02:01Z) - Efficient simulatability of continuous-variable circuits with large
Wigner negativity [62.997667081978825]
ウィグナー負性性は、いくつかの量子計算アーキテクチャにおいて計算上の優位性に必要な資源であることが知られている。
我々は、大きく、おそらくは有界で、ウィグナー負性を示し、しかし古典的に効率的にシミュレートできる回路の広大な族を同定する。
我々は,高次元離散可変量子回路のシミュラビリティとボソニック符号とのリンクを確立することにより,本結果の導出を行う。
論文 参考訳(メタデータ) (2020-05-25T11:03:42Z) - Evaluation of Parameterized Quantum Circuits: on the relation between
classification accuracy, expressibility and entangling capability [1.1871523410051525]
ハイブリッド量子古典的な構成の量子回路はヒルベルト空間の高次元性を特徴空間として利用することにより精度の向上をもたらす可能性がある。
しかし、ヒルベルト空間に均一に対処する量子回路の能力は、分類精度のよい指標だろうか?
我々は、ヒルベルト空間に均一に対処する回路の能力と、単一の埋め込み層を含む回路の1つまたは2つの回路設計の達成された分類精度との間に強い相関関係を見出した。
論文 参考訳(メタデータ) (2020-03-22T13:31:31Z) - Quantum embeddings for machine learning [5.16230883032882]
量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。
我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。
このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
論文 参考訳(メタデータ) (2020-01-10T19:00:01Z)
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。