論文の概要: Distributed Quantum Neural Networks via Partitioned Features Encoding
- arxiv url: http://arxiv.org/abs/2312.13650v2
- Date: Mon, 8 Jan 2024 15:30:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 21:46:31.948954
- Title: Distributed Quantum Neural Networks via Partitioned Features Encoding
- Title（参考訳）: 分割特徴符号化による分散量子ニューラルネットワーク
- Authors: Yoshiaki Kawase
- Abstract要約: 量子ニューラルネットワークは、短期量子コンピューティングにおける有望な応用であると期待されている。
本稿では,複数の小回路を用いて大回路の出力を近似して予測する。
提案手法は,大規模データセットの高精度な予測だけでなく,各量子ニューラルネットワークのハードウェア要件も低減した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum neural networks are expected to be a promising application in
near-term quantum computing, but face challenges such as vanishing gradients
during optimization and limited expressibility by a limited number of qubits
and shallow circuits. To mitigate these challenges, an approach using
distributed quantum neural networks has been proposed to make a prediction by
approximating outputs of a large circuit using multiple small circuits.
However, the approximation of a large circuit requires an exponential number of
small circuit evaluations. Here, we instead propose to distribute partitioned
features over multiple small quantum neural networks and use the ensemble of
their expectation values to generate predictions. To verify our distributed
approach, we demonstrate ten class classification of the Semeion and MNIST
handwritten digit datasets. The results of the Semeion dataset imply that while
our distributed approach may outperform a single quantum neural network in
classification performance, excessive partitioning reduces performance.
Nevertheless, for the MNIST dataset, we succeeded in ten class classification
with exceeding 96\% accuracy. Our proposed method not only achieved highly
accurate predictions for a large dataset but also reduced the hardware
requirements for each quantum neural network compared to a large single quantum
neural network. Our results highlight distributed quantum neural networks as a
promising direction for practical quantum machine learning algorithms
compatible with near-term quantum devices. We hope that our approach is useful
for exploring quantum machine learning applications.
- Abstract（参考訳）: 量子ニューラルネットワークは、短期量子コンピューティングにおいて有望な応用であると期待されているが、最適化中の勾配の消失や、限られた数の量子ビットと浅い回路による表現可能性の制限といった課題に直面している。
これらの課題を軽減するために、分散量子ニューラルネットワークを用いたアプローチが提案され、複数の小さな回路を用いて大きな回路の出力を近似して予測する。
しかし、大きな回路の近似には指数関数的な回路評価が必要となる。
ここでは、分割された特徴を複数の小さな量子ニューラルネットワークに分散し、予測値のアンサンブルを用いて予測を生成することを提案する。
分散アプローチを検証するために, semeion と mnist の手書き文字データセットの10種類の分類を示す。
Semeionデータセットの結果は、分散アプローチが分類性能において単一の量子ニューラルネットワークを上回っているのに対して、過剰なパーティショニングは性能を低下させることを示している。
それでも,MNISTデータセットでは,96\%以上の精度で10種類の分類に成功した。
提案手法は,大規模データセットの高精度な予測だけでなく,大規模単一量子ニューラルネットワークと比較して,各量子ニューラルネットワークのハードウェア要件も低減した。
本研究では,分散量子ニューラルネットワークを,近距離量子デバイスと互換性のある実用的な量子機械学習アルゴリズムの有望な方向性として強調する。
このアプローチが量子機械学習アプリケーション探索に有用であることを願っています。
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) - Enhancing the expressivity of quantum neural networks with residual
connections [0.0]
量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。
我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
論文 参考訳（メタデータ） (2024-01-29T04:00:51Z) - An Invitation to Distributed Quantum Neural Networks [0.0]
分散量子ニューラルネットワークにおける技術の現状を概観する。
量子データセットの分布は、量子モデルの分布よりも古典的な分布と類似性があることが分かる。
論文 参考訳（メタデータ） (2022-11-14T00:27:01Z) - 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) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳（メタデータ） (2021-09-05T15:15:07Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Quantum neural networks with multi-qubit potentials [0.0]
量子パーセプトロンにおけるマルチキュービットポテンシャルの存在は、より効率的な情報処理タスクを可能にすることを示す。
このネットワークアーキテクチャの単純化は、接続性の問題に対処し、量子ニューラルネットワークをスケールアップする道を開く。
論文 参考訳（メタデータ） (2021-05-06T15:30:06Z) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳（メタデータ） (2021-04-30T20:38:41Z) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳（メタデータ） (2021-03-03T16:10:15Z) - Probing Criticality in Quantum Spin Chains with Neural Networks [0.0]
隠れた層を持たないニューラルネットワークでさえ、磁気秩序と乱れ相の区別を効果的に訓練できることが示される。
我々の結果は、相互作用する量子多体系の幅広いクラスに拡張され、多体量子物理学へのニューラルネットワークの広範な適用性を示す。
論文 参考訳（メタデータ） (2020-05-05T12:34:50Z)
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。