論文の概要: Approximately Equivariant Quantum Neural Network for $p4m$ Group
Symmetries in Images
- arxiv url: http://arxiv.org/abs/2310.02323v1
- Date: Tue, 3 Oct 2023 18:01:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 18:12:24.543460
- Title: Approximately Equivariant Quantum Neural Network for $p4m$ Group
Symmetries in Images
- Title(参考訳): 画像における$p4m$群対称性に対する近似同変量子ニューラルネットワーク
- Authors: Su Yeon Chang, Michele Grossi, Bertrand Le Saux, and Sofia Vallecorsa
- Abstract要約: 本研究では、平面$p4m$対称性に基づく画像分類のための同変量子畳み込みニューラルネットワーク(EquivQCNNs)を提案する。
2次元イジングモデルの位相検出や拡張MNISTデータセットの分類など、さまざまなユースケースでテストされた結果を示す。
- 参考スコア(独自算出の注目度): 30.01160824817612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Neural Networks (QNNs) are suggested as one of the quantum algorithms
which can be efficiently simulated with a low depth on near-term quantum
hardware in the presence of noises. However, their performance highly relies on
choosing the most suitable architecture of Variational Quantum Algorithms
(VQAs), and the problem-agnostic models often suffer issues regarding
trainability and generalization power. As a solution, the most recent works
explore Geometric Quantum Machine Learning (GQML) using QNNs equivariant with
respect to the underlying symmetry of the dataset. GQML adds an inductive bias
to the model by incorporating the prior knowledge on the given dataset and
leads to enhancing the optimization performance while constraining the search
space. This work proposes equivariant Quantum Convolutional Neural Networks
(EquivQCNNs) for image classification under planar $p4m$ symmetry, including
reflectional and $90^\circ$ rotational symmetry. We present the results tested
in different use cases, such as phase detection of the 2D Ising model and
classification of the extended MNIST dataset, and compare them with those
obtained with the non-equivariant model, proving that the equivariance fosters
better generalization of the model.
- Abstract(参考訳): 量子ニューラルネットワーク(QNN)は、ノイズの存在下で、短期量子ハードウェアの低深さで効率的にシミュレートできる量子アルゴリズムの1つとして提案されている。
しかし、それらの性能は変分量子アルゴリズム(VQA)の最も適したアーキテクチャの選択に大きく依存しており、問題に依存しないモデルはしばしば訓練性や一般化能力に関する問題に悩まされる。
解決策として、最新の研究は、データセットの基礎となる対称性に関してQNNを同変とする幾何学量子機械学習(GQML)を探索している。
GQMLは、与えられたデータセットに事前の知識を取り入れ、探索空間を制約しながら最適化性能を向上させることによって、モデルに誘導バイアスを加える。
本研究では、平面$p4m$対称性と90^\circ$回転対称性を含む画像分類のための同変量子畳み込みニューラルネットワーク(EquivQCNNs)を提案する。
本研究では,2次元イジングモデルの位相検出や拡張MNISTデータセットの分類などの異なるユースケースでテストされた結果について,同値モデルと比較し,同値がモデルのより優れた一般化を促進することを証明した。
関連論文リスト
- Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T16:57:51Z) - The role of data embedding in equivariant quantum convolutional neural
networks [2.255961793913651]
等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。
等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
論文 参考訳(メタデータ) (2023-12-20T18:25:15Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Reflection Equivariant Quantum Neural Networks for Enhanced Image
Classification [0.7232471205719458]
我々は、データに固有の対称性を明示的に尊重する新しい機械学習モデル、いわゆる幾何量子機械学習(GQML)を構築した。
これらのネットワークは、複雑な実世界の画像データセットに対する一般的なアンサーゼを一貫して、そして著しく向上させることができる。
論文 参考訳(メタデータ) (2022-12-01T04:10:26Z) - Theoretical Guarantees for Permutation-Equivariant Quantum Neural
Networks [0.0]
等変量子ニューラルネットワーク(QNN)の構築方法を示す。
我々は、不毛の高原に苦しめられず、すぐに過度なパラメータ化に達し、少量のデータからよく一般化されることを証明した。
我々の研究は、同変QNNに対する最初の理論的保証を提供し、GQMLの極端なパワーとポテンシャルを示している。
論文 参考訳(メタデータ) (2022-10-18T16:35:44Z) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳(メタデータ) (2022-08-30T08:17:55Z) - Group-Invariant Quantum Machine Learning [0.0]
量子機械学習(QML)モデルは、量子状態に符号化されたデータから学習することを目的としている。
群不変モデルは、データセットに関連する対称性群 $mathfrakG$ の任意の要素の作用の下で不変な出力を生成する。
本稿では,$mathfrakG$-invariantモデルの設計の基盤となる理論的結果について述べる。
論文 参考訳(メタデータ) (2022-05-04T18:04:32Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳(メタデータ) (2021-11-29T12:24:02Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳(メタデータ) (2021-04-30T21:34:11Z) - Group Convolutional Neural Networks Improve Quantum State Accuracy [1.52292571922932]
特定の対称性を持つ量子状態に対して、最大表現モデルを作成する方法を示す。
我々は,グループ同変畳み込みネットワーク(G-CNN) citecohen2016groupを実装し,メモリ使用量を増やすことなく,性能改善を実現することを実証した。
論文 参考訳(メタデータ) (2021-04-11T19:45:10Z)
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。