論文の概要: Enhancing the expressivity of quantum neural networks with residual
connections
- arxiv url: http://arxiv.org/abs/2401.15871v1
- Date: Mon, 29 Jan 2024 04:00:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 16:01:05.454173
- Title: Enhancing the expressivity of quantum neural networks with residual
connections
- Title（参考訳）: 残差接続による量子ニューラルネットワークの表現性向上
- Authors: Jingwei Wen, Zhiguo Huang, Dunbo Cai, Ling Qian
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the recent noisy intermediate-scale quantum era, the research on the
combination of artificial intelligence and quantum computing has been greatly
developed. Inspired by neural networks, developing quantum neural networks with
specific structures is one of the most promising directions for improving
network performance. In this work, we propose a quantum circuit-based algorithm
to implement quantum residual neural networks (QResNets), where the residual
connection channels are constructed by introducing auxiliary qubits to the
data-encoding and trainable blocks of the quantum neural networks. Importantly,
we prove that when this particular network architecture is applied to a
$l$-layer data-encoding, the number of frequency generation forms can be
extended from one, namely the difference of the sum of generator eigenvalues,
to $\mathcal{O}(l^2)$. And the flexibility in adjusting the corresponding
Fourier coefficients can also be improved due to the diversity of spectrum
construction methods and the additional optimization degrees of freedom in the
generalized residual operators. These results indicate that the residual
encoding scheme can achieve better spectral richness and enhance the
expressivity of various parameterized quantum circuits. Extensive numerical
demonstrations in regression tasks of fitting various functions and
applications in image classification with MNIST datasets are offered to present
the expressivity enhancement. Our work lays the foundation for a complete
quantum implementation of the classical residual neural networks and explores a
new strategy for quantum feature map in quantum machine learning.
- Abstract（参考訳）: 近年の騒々しい中間量子時代において,人工知能と量子コンピューティングの組み合わせに関する研究が盛んに行われている。
ニューラルネットワークにインスパイアされた特定の構造を持つ量子ニューラルネットワークの開発は、ネットワーク性能を改善する上で最も有望な方向のひとつだ。
本研究では、量子ニューラルネットワークのデータエンコーディングおよびトレーニング可能なブロックに補助量子ビットを導入することにより、残余接続チャネルを構成する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ベースのアルゴリズムを提案する。
重要なことに、この特定のネットワークアーキテクチャが$l$-layerデータエンコーディングに適用されると、周波数生成形式の数は1つ、すなわち生成固有値の和の差から$\mathcal{o}(l^2)$に拡張できる。
また、一般化された剰余作用素におけるスペクトル構成法の多様性と追加の最適化自由度により、対応するフーリエ係数の調整の柔軟性も向上することができる。
これらの結果から,残差符号化方式によりスペクトルリッチ性が向上し,様々なパラメータ化量子回路の表現性が向上することが示唆された。
MNISTデータセットを用いた画像分類における様々な機能に適合する回帰タスクの大規模な数値実証を行い、表現性の向上を示す。
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実装の基礎を築き、量子機械学習における量子特徴写像の新しい戦略を探求する。
関連論文リスト
- Distributed Quantum Neural Networks via Partitioned Features Encoding [0.0]
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。
論文 参考訳（メタデータ） (2023-12-21T08:21:44Z) - Realization of a quantum neural network using repeat-until-success
circuits in a superconducting quantum processor [0.0]
本稿では、リアルタイム制御-フローフィードバックによって実現されたリピート・アンティル・サクセス回路を用いて、非線形活性化機能を持つ量子ニューロンを実現する。
例えば、2ビットから1ビットのブール関数をすべて学習できる最小限のフィードフォワード量子ニューラルネットワークを構築する。
このモデルは非線形分類を行い、全ての入力の最大重ね合わせからなる単一のトレーニング状態の複数のコピーから効果的に学習する。
論文 参考訳（メタデータ） (2022-12-21T03:26:32Z) - 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) - Power and limitations of single-qubit native quantum neural networks [5.526775342940154]
量子ニューラルネットワーク(QNN)は、機械学習、化学、最適化の応用を確立するための主要な戦略として登場した。
量子ニューラルネットワークのデータ再アップロードの表現能力に関する理論的枠組みを定式化する。
論文 参考訳（メタデータ） (2022-05-16T17:58:27Z) - 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) - Entanglement Rate Optimization in Heterogeneous Quantum Communication
Networks [79.8886946157912]
量子通信ネットワークは、将来6G以降の通信ネットワークにおいて重要な構成要素となる可能性のある、有望な技術として登場しつつある。
近年の進歩は、実際の量子ハードウェアによる小規模および大規模量子通信ネットワークの展開に繋がった。
量子ネットワークにおいて、絡み合いは異なるノード間でのデータ転送を可能にする鍵となるリソースである。
論文 参考訳（メタデータ） (2021-05-30T11:34:23Z) - 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) - 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) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z) - 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。