Fugu-MT 論文翻訳(概要): Evaluating the Convergence Limit of Quantum Neural Tangent Kernel

論文の概要: Evaluating the Convergence Limit of Quantum Neural Tangent Kernel

arxiv url: http://arxiv.org/abs/2312.02451v1
Date: Tue, 5 Dec 2023 03:04:26 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 17:04:38.280633
Title: Evaluating the Convergence Limit of Quantum Neural Tangent Kernel
Title（参考訳）: 量子ニューラルタンジェントカーネルの収束限界の評価
Authors: Trong Duong
Abstract要約: 我々は、量子アンサンブルと量子ニューラルネットワークという2つのモデルのためのカーネルを構築し、これらのモデルの無限個の量子ビットの極限における収束性を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum variational algorithms have been one of major applications of quantum computing with current quantum devices. There are recent attempts to establish the foundation for these algorithms. A possible approach is to characterize the training dynamics with quantum neural tangent kernel. In this work, we construct the kernel for two models, Quantun Ensemble and Quantum Neural Network, and show the convergence of these models in the limit of infinitely many qubits. We also show applications of the kernel limit in regression tasks.
Abstract（参考訳）: 量子変分アルゴリズムは、現在の量子デバイスを用いた量子コンピューティングの主要な応用の1つである。これらのアルゴリズムの基礎を確立するための最近の試みがある。考えられるアプローチは、量子ニューラルネットワークカーネルでトレーニングダイナミクスを特徴づけることである。本研究では、量子アンサンブルと量子ニューラルネットワークという2つのモデルのカーネルを構築し、無限に多くの量子ビットの極限におけるこれらのモデルの収束を示す。また,回帰タスクにおけるカーネル制限の適用例を示す。

関連論文リスト

In Search of Quantum Advantage: Estimating the Number of Shots in Quantum Kernel Methods [30.565491081930997]
本稿では,カーネル値の所望の精度を推定する手法を開発し,回路実行回数に変換する。我々は、量子カーネル法は、機械学習のパフォーマンスの観点からだけでなく、リソース消費の文脈からも考慮すべきである、と強調する。
論文参考訳（メタデータ） (2024-07-22T16:29:35Z)
Quantum computing topological invariants of two-dimensional quantum matter [0.0]
量子コンピュータ上で2次元量子物質のチャーン数を計算するための2つの量子回路を提案する。まず,多くの量子ビットを用い,量子回路のテンソルネットワークシミュレータを用いて解析する。第2の回路はより少ない量子ビットを使用し、超伝導量子ビットに基づく量子コンピュータで実験的に実装する。
論文参考訳（メタデータ） (2024-04-09T06:22:50Z)
Scalable Quantum Algorithms for Noisy Quantum Computers [0.0]
この論文は、量子計算資源の要求を減らす2つの主要な技術を開発した。目的は、現在の量子プロセッサでアプリケーションサイズをスケールアップすることだ。アルゴリズムの応用の主な焦点は量子システムのシミュレーションであるが、開発したサブルーチンは最適化や機械学習の分野でさらに活用することができる。
論文参考訳（メタデータ） (2024-03-01T19:36:35Z)
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)
Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文参考訳（メタデータ） (2024-01-31T01:02:16Z)
The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文参考訳（メタデータ） (2022-12-22T16:06:24Z)
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)
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)
Quantum Neural Architecture Search with Quantum Circuits Metric and Bayesian Optimization [2.20200533591633]
各量子状態に対するゲートの作用を特徴付ける新しい量子ゲート距離を提案する。提案手法は、経験的量子機械学習の3つの問題において、ベンチマークを著しく上回っている。
論文参考訳（メタデータ） (2022-06-28T16:23:24Z)
Quantum Alphatron: quantum advantage for learning with kernels and noise [2.94944680995069]
我々は、フォールトトレラントな設定でAlphatronの量子バージョンを提供する。 2層ニューラルネットワークの学習における量子優位性について論じる。
論文参考訳（メタデータ） (2021-08-26T09:36:20Z)
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)

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。