論文の概要: Neural Quantum Embedding: Pushing the Limits of Quantum Supervised Learning
- arxiv url: http://arxiv.org/abs/2311.11412v2
- Date: Fri, 9 Aug 2024 02:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 20:51:27.905954
- Title: Neural Quantum Embedding: Pushing the Limits of Quantum Supervised Learning
- Title(参考訳): ニューラル量子埋め込み:量子監視学習の限界を押し上げる
- Authors: Tak Hur, Israel F. Araujo, Daniel K. Park,
- Abstract要約: 本稿では, 量子埋め込みの最適化手法であるNeural Quantum Embedding(NQE)について述べる。
NQEは経験的リスクの低いバウンダリを強化し、分類性能を大幅に改善する。
- 参考スコア(独自算出の注目度): 0.40964539027092917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum embedding is a fundamental prerequisite for applying quantum machine learning techniques to classical data, and has substantial impacts on performance outcomes. In this study, we present Neural Quantum Embedding (NQE), a method that efficiently optimizes quantum embedding beyond the limitations of positive and trace-preserving maps by leveraging classical deep learning techniques. NQE enhances the lower bound of the empirical risk, leading to substantial improvements in classification performance. Moreover, NQE improves robustness against noise. To validate the effectiveness of NQE, we conduct experiments on IBM quantum devices for image data classification, resulting in a remarkable accuracy enhancement from 0.52 to 0.96. In addition, numerical analyses highlight that NQE simultaneously improves the trainability and generalization performance of quantum neural networks, as well as of the quantum kernel method.
- Abstract(参考訳): 量子埋め込みは、古典的なデータに量子機械学習技術を適用するための基本的な前提条件であり、性能にかなりの影響を及ぼす。
本研究では,古典的な深層学習技術を活用することで,正およびトレース保存マップの限界を超えて,量子埋め込みを効率的に最適化する手法であるNeural Quantum Embedding (NQE)を提案する。
NQEは経験的リスクの低いバウンダリを強化し、分類性能を大幅に改善する。
さらに、NQEはノイズに対する堅牢性を改善する。
NQEの有効性を検証するため、画像データ分類のためのIBM量子デバイス上で実験を行い、0.52から0.96までの顕著な精度向上を実現した。
さらに、数値解析により、NQEは量子ニューラルネットワークのトレーニング性と一般化性能と、量子カーネル法とを同時に改善することが明らかとなった。
関連論文リスト
- Quantum-inspired activation functions in the convolutional neural network [6.09437748873686]
畳み込みニューラルネットワーク(CNN)に組み込まれた量子回路の表現可能性について検討する。
数値学習により,我々のハイブリッド量子古典CNNモデルは優れた特徴選択能力を示した。
量子アクティベーション関数は重要な特徴を選択し、重要でない情報を破棄する上でより効率的であることを示す。
論文 参考訳(メタデータ) (2024-04-08T23:08:38Z) - 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) - Variational Quantum AdaBoost with Supervised Learning Guarantee [8.163913266445304]
変動量子AdaBoostは、予測においてはるかに高い精度を達成できるだけでなく、ノイズの影響を軽減するのにも有効であることを示す。
我々の研究は、現在のNISQ時代において、適切なアンサンブル法を導入することは、量子機械学習アルゴリズムの性能向上に特に有用であることを示している。
論文 参考訳(メタデータ) (2024-02-04T07:18:44Z) - Bridging Classical and Quantum Machine Learning: Knowledge Transfer From
Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。
我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。
量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
論文 参考訳(メタデータ) (2023-11-23T05:06:43Z) - Channel Attention for Quantum Convolutional Neural Networks [0.0]
量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習の最も有望なアルゴリズムの1つとして注目を集めている。
本稿では,QCNNのチャネルアテンション機構を提案し,量子位相分類問題に対する本手法の有効性を示す。
論文 参考訳(メタデータ) (2023-11-06T04:54:05Z) - Improved Financial Forecasting via Quantum Machine Learning [1.151731504874944]
量子アルゴリズムは、さまざまなドメインやアプリケーションにわたる機械学習を強化する可能性がある。
本研究では、金融予測を改善するために量子機械学習をどのように利用できるかを示す。
論文 参考訳(メタデータ) (2023-05-31T14:57:05Z) - Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。
古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
論文 参考訳(メタデータ) (2023-05-18T03:08:18Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - 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) - The dilemma of quantum neural networks [63.82713636522488]
量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。
QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。
これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
論文 参考訳(メタデータ) (2021-06-09T10:41:47Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z)
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。