論文の概要: Neural quantum kernels: training quantum kernels with quantum neural networks

• arxiv url: http://arxiv.org/abs/2401.04642v2
• Date: Wed, 05 Mar 2025 09:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 17:18:39.383762
• Title: Neural quantum kernels: training quantum kernels with quantum neural networks
• Title（参考訳）: 量子カーネル:量子ニューラルネットワークによる量子カーネルのトレーニング
• Authors: Pablo Rodriguez-Grasa, Yue Ban, Mikel Sanz,
• Abstract要約: 本稿では,量子カーネル構築のための量子ニューラルネットワークのトレーニングを提案する。 我々は、ニューラルネットワークを構築するためのいくつかの戦略を提案し、量子ニューラルネットワーク(QNN)をトレーニングするためのスケーラブルな方法を提案する。
• 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 and classical machine learning have been naturally connected through kernel methods, which have also served as proof-of-concept for quantum advantage. Quantum embeddings encode classical data into quantum feature states, enabling the construction of embedding quantum kernels (EQKs) by measuring vector similarities and projected quantum kernels (PQKs) through projections of these states. However, in both approaches, the model is influenced by the choice of the embedding. In this work, we propose using the training of a quantum neural network (QNN) to construct neural quantum kernels: both neural EQKs and neural PQKs, which are problem-inspired kernels. Unlike previous methods in the literature, our approach requires the kernel matrix to be constructed only once. We present several strategies for constructing neural quantum kernels and propose a scalable method to train an $n$-qubit data re-uploading quantum neural network (QNN). We provide numerical evidence of the performance of these models under noisy conditions. Additionally, we demonstrate how neural quantum kernels can alleviate exponential concentration and enhance generalization capabilities compared to problem-agnostic kernels, positioning them as a scalable and robust solution for quantum machine learning applications.
• Abstract（参考訳）: 量子と古典的な機械学習は、量子優位性を示す概念実証としても機能するカーネルメソッドを通じて自然に接続されてきた。 量子埋め込みは古典的なデータを量子特徴状態にエンコードし、ベクトル類似度を測定して量子カーネル(EQK)を埋め込むことができ、これらの状態の射影を通して量子カーネル(PQK)を投影することができる。 しかし、どちらの手法でも、モデルは埋め込みの選択に影響される。 本研究では,問題に着想を得たニューラルネットワークであるニューラルEQKとニューラルPQKの両方を構築するために,量子ニューラルネットワーク(QNN)のトレーニングを使用することを提案する。 文献における従来の方法とは異なり,本手法ではカーネル行列を1回だけ構築する必要がある。 本稿では、ニューラルネットワークを構築するためのいくつかの戦略を提案し、量子ニューラルネットワーク(QNN)をトレーニングするためのスケーラブルな方法を提案する。 ノイズ条件下でのこれらのモデルの性能の数値的証拠を提供する。 さらに、ニューラルネットワークカーネルが指数集中を緩和し、問題に依存しないカーネルと比較して一般化能力を向上し、量子機械学習アプリケーションのためのスケーラブルで堅牢なソリューションとして位置づける方法を示す。

関連論文リスト

• Natural Quantization of Neural Networks [0.0]
  そこで我々は,ニューロンが量子ビットに対応し,活性化関数が量子ゲートと測定によって実装される,標準的なニューラルネットワークの自然な量子化を提案する。 我々は、このアーキテクチャを標準MNISTデータセットのサブセットでベンチマークし、「量子優位」の仕組みを見つける。 提案した量子ニューラルネットワークは、商用データセット上の現在の量子コンピュータで容易に実現可能である。
  論文  参考訳（メタデータ） (2025-03-19T17:57:11Z)
• Satellite image classification with neural quantum kernels [0.0699049312989311]
  量子カーネルを使用して、ソーラーパネルを含むイメージを分類します。 後者では、拡張性を確保するために$n$-qubit QNNを反復的にトレーニングし、結果のアーキテクチャを使って$n$-qubit EQKを直接生成します。 結果はQNNの準最適トレーニングに対して堅牢である。
  論文  参考訳（メタデータ） (2024-09-30T14:52:00Z)
• A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
  量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。 量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
  論文  参考訳（メタデータ） (2024-07-23T11:38:06Z)
• Evaluating the Convergence Limit of Quantum Neural Tangent Kernel [0.0]
  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。
  論文  参考訳（メタデータ） (2023-12-05T03:04:26Z)
• Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
  重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。 BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。 提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
  論文  参考訳（メタデータ） (2023-10-23T17:32:38Z)
• 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)
• 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)
• Quantum Methods for Neural Networks and Application to Medical Image Classification [5.817995726696436]
  ニューラルネットワークのための新しい量子法を2つ導入する。 1つ目は、量子ピラミッド回路に基づく量子直交ニューラルネットワークである。 第2の方法は量子支援ニューラルネットワークであり、量子コンピュータを用いて内部積推定を行う。
  論文  参考訳（メタデータ） (2022-12-14T18:17:19Z)
• 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)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• On-chip QNN: Towards Efficient On-Chip Training of Quantum Neural Networks [21.833693982056896]
  そこで本研究では,パラメータシフトを用いた実践的なQNNトレーニングの実証実験であるOn-chip QNNを提案する。 確率的勾配プルーニング(probabilistic gradient pruning)を提案する。 その結果,2クラス,4クラスの画像分類作業において,チップ上でのトレーニングは90%以上,60%以上の精度で達成できた。
  論文  参考訳（メタデータ） (2022-02-26T22:27:36Z)
• 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 Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• A Quantum Convolutional Neural Network on NISQ Devices [0.9831489366502298]
  本稿では,畳み込みニューラルネットワークに着想を得た量子畳み込みニューラルネットワークを提案する。 我々のモデルは、画像認識タスクの特定のノイズに対して堅牢である。 これは、ビッグデータ時代の情報を処理するために、量子パワーを活用する可能性を開く。
  論文  参考訳（メタデータ） (2021-04-14T15:07:03Z)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。 我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)
• 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)
• Hybrid quantum-classical classifier based on tensor network and variational quantum circuit [0.0]
  本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。 低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-30T09:43:59Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• 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。