論文の概要: GQHAN: A Grover-inspired Quantum Hard Attention Network
- arxiv url: http://arxiv.org/abs/2401.14089v1
- Date: Thu, 25 Jan 2024 11:11:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 14:57:31.668760
- Title: GQHAN: A Grover-inspired Quantum Hard Attention Network
- Title（参考訳）: GQHAN:グローバーにインスパイアされた量子ハードアテンションネットワーク
- Authors: Ren-Xin Zhao, Jinjing Shi and Xuelong Li
- Abstract要約: GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。
GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。
GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
- 参考スコア（独自算出の注目度）: 53.96779043113156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerous current Quantum Machine Learning (QML) models exhibit an inadequacy
in discerning the significance of quantum data, resulting in diminished
efficacy when handling extensive quantum datasets. Hard Attention Mechanism
(HAM), anticipated to efficiently tackle the above QML bottlenecks, encounters
the substantial challenge of non-differentiability, consequently constraining
its extensive applicability. In response to the dilemma of HAM and QML, a
Grover-inspired Quantum Hard Attention Mechanism (GQHAM) consisting of a
Flexible Oracle (FO) and an Adaptive Diffusion Operator (ADO) is proposed.
Notably, the FO is designed to surmount the non-differentiable issue by
executing the activation or masking of Discrete Primitives (DPs) with Flexible
Control (FC) to weave various discrete destinies. Based on this, such discrete
choice can be visualized with a specially defined Quantum Hard Attention Score
(QHAS). Furthermore, a trainable ADO is devised to boost the generality and
flexibility of GQHAM. At last, a Grover-inspired Quantum Hard Attention Network
(GQHAN) based on QGHAM is constructed on PennyLane platform for Fashion MNIST
binary classification. Experimental findings demonstrate that GQHAN adeptly
surmounts the non-differentiability hurdle, surpassing the efficacy of extant
quantum soft self-attention mechanisms in accuracies and learning ability. In
noise experiments, GQHAN is robuster to bit-flip noise in accuracy and
amplitude damping noise in learning performance. Predictably, the proposal of
GQHAN enriches the Quantum Attention Mechanism (QAM), lays the foundation for
future quantum computers to process large-scale data, and promotes the
development of quantum computer vision.
- Abstract（参考訳）: 多数の現在の量子機械学習(QML)モデルは、量子データの重要性を識別するのに不適切であり、大規模な量子データセットを扱う場合の有効性が低下する。
上記のQMLボトルネックに効果的に取り組むことが期待されるハードアテンションメカニズム(HAM)は、非微分可能性の重大な課題に直面し、その結果、その広範な適用性を制限する。
HAMとQMLのジレンマに応答して、フレキシブルOracle(FO)とAdaptive Diffusion Operator(ADO)からなるGrover-inspired Quantum Hard Attention Mechanism(GQHAM)を提案する。
特筆すべきは、foは、様々な離散的デスティニーを織り込むためのフレキシブルコントロール(fc)を備えた離散的プリミティブ(dps)の活性化またはマスキングを実行することによって、非微分可能な問題を克服するように設計されている。
これに基づいて、そのような離散的な選択は、特別に定義された量子ハードアテンションスコア(QHAS)で視覚化することができる。
さらに、GQHAMの汎用性と柔軟性を高めるために、トレーニング可能なADOが考案されている。
最後に、Fashion MNISTバイナリ分類のためのPennyLaneプラットフォーム上に、QGHAMに基づくGrover-inspired Quantum Hard Attention Network (GQHAN)を構築した。
実験結果から,GQHANは未分化のハードルをほぼ上回り,既存の量子ソフト自己保持機構を超越したアキュラシーと学習能力を示した。
ノイズ実験では、GQHANはビットフリップノイズの精度と学習性能の振幅減衰ノイズに対して頑健である。
予測上、gqhanの提案はquantum attention mechanism(qam)を強化し、将来の量子コンピュータが大規模データを処理するための基盤を作り、量子コンピュータビジョンの開発を促進する。
関連論文リスト
- Quantum Mixed-State Self-Attention Network [3.1280831148667105]
本稿では、量子コンピューティングの原理と古典的な機械学習アルゴリズムを統合する新しい量子混合状態注意ネットワーク(QMSAN)を紹介する。
QMSANモデルは混合状態に基づく量子アテンション機構を採用し、量子領域内のクエリとキー間の類似性を効率的に直接推定することを可能にする。
本研究は,QMSANが低雑音に対する可換ロバスト性を有することを示すため,異なる量子雑音環境におけるモデルのロバスト性について検討した。
論文 参考訳（メタデータ） (2024-03-05T11:29:05Z) - Quantum benefit of the quantum equation of motion for the strongly
coupled many-body problem [0.0]
量子運動方程式 (quantum equation of motion, QEOM) はフェルミオン多体系の励起特性を計算するためのハイブリッド量子古典アルゴリズムである。
我々は、qEOMが要求される量子測定数の独立性により量子的利益を示すことを明らかに示している。
論文 参考訳（メタデータ） (2023-09-18T22:10:26Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - 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) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Variational Quantum-Neural Hybrid Error Mitigation [6.555128824546528]
量子エラー軽減(QEM)は、量子コンピュータ上で信頼性の高い結果を得るために重要である。
量子-ニューラルハイブリッド固有解法 (VQNHE) アルゴリズムは, 本質的にはノイズ耐性であり, ユニークなQEM容量を持つことを示す。
論文 参考訳（メタデータ） (2021-12-20T08:07:58Z) - Error mitigation in variational quantum eigensolvers using tailored
probabilistic machine learning [5.630204194930539]
本稿では,量子計算におけるノイズを軽減するために,ガウス過程回帰(GPR)をアクティブラーニングフレームワーク内に導入する新しい手法を提案する。
我々は,IBMのオープンソース量子コンピューティングフレームワークであるQiskitを用いて,2サイトアンダーソン不純物モデルと8サイトハイゼンベルクモデルに対する提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2021-11-16T22:29:43Z) - 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) - 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。