論文の概要: Quantum sequential scattering model for quantum state learning
- arxiv url: http://arxiv.org/abs/2310.07797v1
- Date: Wed, 11 Oct 2023 18:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 14:24:24.551005
- Title: Quantum sequential scattering model for quantum state learning
- Title(参考訳): 量子状態学習のための量子逐次散乱モデル
- Authors: Mingrui Jing, Geng Liu, Hongbin Ren, Xin Wang
- Abstract要約: 我々は、量子散乱モデル(QSSM)を考案し、勾配スケールのシュミット位を持つ高次元逐次ターゲット状態の大規模なクラスに、消滅する問題を克服する。
我々の研究は、ターゲット状態における量子状態の性質である絡み合いの増大がより大きなスケールモデルを必要とすることを示しており、それによってモデルの学習性能と効率が低下する可能性があることを示唆している。
- 参考スコア(独自算出の注目度): 6.040584660207655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning probability distribution is an essential framework in classical
learning theory. As a counterpart, quantum state learning has spurred the
exploration of quantum machine learning theory. However, as dimensionality
increases, learning a high-dimensional unknown quantum state via conventional
quantum neural network approaches remains challenging due to trainability
issues. In this work, we devise the quantum sequential scattering model (QSSM),
inspired by the classical diffusion model, to overcome this scalability issue.
Training of our model could effectively circumvent the vanishing gradient
problem to a large class of high-dimensional target states possessing
polynomial-scaled Schmidt ranks. Theoretical analysis and numerical experiments
provide evidence for our model's effectiveness in learning both physical and
algorithmic meaningful quantum states and show an out-performance beating the
conventional approaches in training speed and learning accuracy. Our work has
indicated that an increasing entanglement, a property of quantum states, in the
target states, necessitates a larger scaled model, which could reduce our
model's learning performance and efficiency.
- Abstract(参考訳): 学習確率分布は古典的学習理論において重要な枠組みである。
量子状態学習(quantum state learning)は、量子機械学習理論の探求を促した。
しかし、次元が増加するにつれて、従来の量子ニューラルネットワークアプローチによる高次元未知量子状態の学習は、訓練可能性の問題のために依然として困難である。
本研究では,古典的拡散モデルに着想を得た量子シーケンシャル散乱モデル(QSSM)を考案し,この拡張性を克服する。
我々のモデルの訓練は、多項式スケールのシュミット位を有する高次元ターゲット状態の大規模なクラスに対して、消滅する勾配問題を効果的に回避することができる。
理論解析と数値実験により,本モデルが物理的およびアルゴリズム的に有意義な量子状態の学習に有効であることを示すとともに,従来の学習速度と学習精度のアプローチを上回る性能を示す。
我々の研究は、対象状態における量子状態の性質である絡み合いの増加は、より大きなスケールドモデルを必要とすることを示しており、モデルの学習性能と効率を低下させる可能性がある。
関連論文リスト
- A General Approach to Dropout in Quantum Neural Networks [1.5771347525430772]
オーバーフィッティング(Overfitting)とは、与えられたモデルがトレーニングデータを過度に学習した場合に発生する現象である。
量子ニューラルネットワークが学習モデルとして登場したことで、オーバーフィッティングが問題になるかもしれない。
論文 参考訳(メタデータ) (2023-10-06T09:39:30Z) - 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) - 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) - Generative model for learning quantum ensemble via optimal transport
loss [0.9404723842159504]
量子アンサンブルを学習できる量子生成モデルを提案する。
提案したモデルは、量子デバイスのヘルスチェックのような幅広い応用の道を開く。
論文 参考訳(メタデータ) (2022-10-19T17:35:38Z) - Classical surrogates for quantum learning models [0.7734726150561088]
本稿では,訓練された量子学習モデルから効率的に得られる古典的モデルである古典的サロゲートの概念を紹介する。
我々は、よく解析された再アップロードモデルの大規模なクラスが古典的なサロゲートを持つことを示す。
論文 参考訳(メタデータ) (2022-06-23T14:37:02Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - 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) - Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。
このような量子相関が生成モデリングの強力な資源となることを理論的に示す。
この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
論文 参考訳(メタデータ) (2021-01-20T22:57:22Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。