論文の概要: Symmetry breaking in geometric quantum machine learning in the presence
of noise
- arxiv url: http://arxiv.org/abs/2401.10293v1
- Date: Wed, 17 Jan 2024 19:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 18:07:34.022207
- Title: Symmetry breaking in geometric quantum machine learning in the presence
of noise
- Title(参考訳): 幾何学量子機械学習における対称性の破れとノイズの存在
- Authors: Cenk T\"uys\"uz, Su Yeon Chang, Maria Demidik, Karl Jansen, Sofia
Vallecorsa, Michele Grossi
- Abstract要約: 本研究では,ノイズの存在下でのEQNNモデルの挙動について検討する。
我々は、対称性の破れは、層数と雑音強度において直線的に増加すると主張している。
ノイズの存在下でのEQNNモデルの対称性保護を強化するための戦略を提供する。
- 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: Geometric quantum machine learning based on equivariant quantum neural
networks (EQNN) recently appeared as a promising direction in quantum machine
learning. Despite the encouraging progress, the studies are still limited to
theory, and the role of hardware noise in EQNN training has never been
explored. This work studies the behavior of EQNN models in the presence of
noise. We show that certain EQNN models can preserve equivariance under Pauli
channels, while this is not possible under the amplitude damping channel. We
claim that the symmetry breaking grows linearly in the number of layers and
noise strength. We support our claims with numerical data from simulations as
well as hardware up to 64 qubits. Furthermore, we provide strategies to enhance
the symmetry protection of EQNN models in the presence of noise.
- Abstract(参考訳): 等価量子ニューラルネットワーク(eqnn)に基づく幾何学的量子機械学習は、最近量子機械学習において有望な方向として現れた。
奨励的な進歩にもかかわらず、研究は理論に限られており、EQNNトレーニングにおけるハードウェアノイズの役割は調査されていない。
本研究では,ノイズの存在下でのEQNNモデルの挙動について検討する。
EQNNモデルによってはパウリチャネルの下で等価性を保てるが、振幅減衰チャネルでは不可能であることを示す。
対称性の破れは層数と雑音強度で直線的に増加すると主張する。
シミュレーションの数値データと64キュービットまでのハードウェアで、私たちの主張を支持します。
さらに、ノイズの存在下でのEQNNモデルの対称性保護を強化するための戦略を提供する。
関連論文リスト
- NRQNN: The Role of Observable Selection in Noise-Resilient Quantum Neural Networks [4.348591076994875]
本稿では,ノイズ条件下での量子ニューラルネットワーク(QNN)のトレーニングに伴う複雑さについて検討する。
まず、バレンプラトー(BP)が理想的条件よりもノイズの多い量子環境で容易に現れることを実証した。
そこで我々は,QNNのノイズに対する耐性を高めるために,キュービット計測を慎重に選択することを提案する。
論文 参考訳(メタデータ) (2025-02-18T08:32:47Z) - Quantum Neural Networks: A Comparative Analysis and Noise Robustness Evaluation [4.2435928520499635]
現在のノイズの多い中間規模量子(NISQ)デバイスでは、ハイブリッド量子ニューラルネットワーク(HQNN)が有望なソリューションを提供する。
QCNN(Quantum Convolution Neural Network)、Quannal Neural Network(QuanNN)、Quantum Transfer Learning(QTL)など、様々なHQNNアルゴリズムの比較分析を行う。
我々は,異なる絡み合い構造を持つ量子回路における各アルゴリズムの性能,層数の変化,アーキテクチャにおける最適配置を評価する。
論文 参考訳(メタデータ) (2025-01-24T11:23:26Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - Effects of noise on the overparametrization of quantum neural networks [0.0]
ノイズがQFIMの既定ゼロ固有値を「オン」できることを示す。
その結果,ハードウェアノイズが存在する場合,現在のQNN容量測定値が未定義であることが示唆された。
論文 参考訳(メタデータ) (2023-02-10T05:33:52Z) - 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) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳(メタデータ) (2022-08-30T08:17:55Z) - Entanglement entropy production in Quantum Neural Networks [0.0]
量子ニューラルネットワーク(QNN)は、ノイズ中間量子コンピュータ(NISQ)時代に量子優位性を達成するための候補と考えられている。
任意のQNNアーキテクチャにおいて、絡み合いが生成される速度に対して、普遍的な振舞いを示す。
本稿では,QNNにおける絡み合い生成を特徴付ける新しい指標として,絡み合いの速度について紹介する。
論文 参考訳(メタデータ) (2022-06-06T10:17:17Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳(メタデータ) (2021-05-20T17:06:52Z) - 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)
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。