論文の概要: Correlated Optical Convolutional Neural Network with Quantum Speedup
- arxiv url: http://arxiv.org/abs/2402.00504v1
- Date: Thu, 1 Feb 2024 11:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 15:38:24.965857
- Title: Correlated Optical Convolutional Neural Network with Quantum Speedup
- Title（参考訳）: 量子スピードアップを用いた相関光畳み込みニューラルネットワーク
- Authors: Yifan Sun, Qian Li, Ling-Jun Kong, and Xiangdong Zhang
- Abstract要約: 相関した光畳み込みニューラルネットワーク(COCNN)は、トレーニングプロセスにおいて量子スピードアップを示すことができることを示す。
提案手法は,量子スピードアップでONNを実現するための新たな道を開く。
- 参考スコア（独自算出の注目度）: 9.194748023567886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compared with electrical neural networks, optical neural networks (ONNs) have
the potentials to break the limit of the bandwidth and reduce the consumption
of energy, and therefore draw much attention in recent years. By far, several
types of ONNs have been implemented. However, the current ONNs cannot realize
the acceleration as powerful as that indicated by the models like quantum
neural networks. How to construct and realize an ONN with the quantum speedup
is a huge challenge. Here, we propose theoretically and demonstrate
experimentally a new type of optical convolutional neural network by
introducing the optical correlation. It is called the correlated optical
convolutional neural network (COCNN). We show that the COCNN can exhibit
quantum speedup in the training process. The character is verified from the two
aspects. One is the direct illustration of the faster convergence by comparing
the loss function curves of the COCNN with that of the traditional
convolutional neural network (CNN). Such a result is compatible with the
training performance of the recently proposed quantum convolutional neural
network (QCNN). The other is the demonstration of the COCNNs capability to
perform the QCNN phase recognition circuit, validating the connection between
the COCNN and the QCNN. Furthermore, we take the COCNN analog to the 3-qubit
QCNN phase recognition circuit as an example and perform an experiment to show
the soundness and the feasibility of it. The results perfectly match the
theoretical calculations. Our proposal opens up a new avenue for realizing the
ONNs with the quantum speedup, which will benefit the information processing in
the era of big data.
- Abstract（参考訳）: 電気ニューラルネットワークと比較すると、光学ニューラルネットワーク(ONN)は帯域幅の限界を破り、エネルギー消費を減らし、近年多くの注目を集めている。
これまでにいくつかの種類のONNが実装されている。
しかし、現在のONNは量子ニューラルネットワークのようなモデルで示されるような加速を実現することはできない。
量子スピードアップによるonnの構築と実現には,大きな課題があります。
本稿では,光相関を導入した新しいタイプの光畳み込みニューラルネットワークを理論的・実験的に提案する。
これは相関光学畳み込みニューラルネットワーク(COCNN)と呼ばれる。
我々は,COCNNがトレーニングプロセスにおいて量子スピードアップを示すことを示す。
キャラクターは2つの側面から検証される。
1つは、COCNNの損失関数曲線と従来の畳み込みニューラルネットワーク(CNN)の損失関数曲線を比較することにより、より高速な収束の直接図示である。
このような結果は、最近提案された量子畳み込みニューラルネットワーク(QCNN)のトレーニング性能と互換性がある。
もう1つは、COCNNとQCNNの接続を検証するQCNN位相認識回路を実行するCOCNN機能の実証である。
さらに,3ビットQCNN位相認識回路のCOCNNアナログを例として,その音質と実現可能性を示す実験を行った。
結果は理論計算と完全に一致する。
今回の提案は,ビッグデータ時代の情報処理のメリットを享受する量子スピードアップによって,onnを実現するための新たな道を開くものだ。
関連論文リスト
- CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳（メタデータ） (2024-08-28T00:56:03Z) - Parallel Proportional Fusion of Spiking Quantum Neural Network for Optimizing Image Classification [10.069224006497162]
量子・スパイキングニューラルネットワーク(PPF-QSNN)の並列比例融合(Parallel Proportional Fusion of Quantum and Spiking Neural Networks)と呼ばれる新しいアーキテクチャを導入する。
提案したPPF-QSNNは、既存のスパイクニューラルネットワークと、精度、損失、ロバストネスといったメトリクスにわたるシリアル量子ニューラルネットワークの両方より優れている。
本研究は、人工知能計算における量子優位性の発展と応用の基盤となるものである。
論文 参考訳（メタデータ） (2024-04-01T10:35:35Z) - A Quantum Convolutional Neural Network Approach for Object Detection and
Classification [0.0]
QCNNの時間と精度は、異なる条件下での古典的なCNNやANNモデルと比較される。
この分析により、QCNNは、特定のアプリケーションにおける精度と効率の点で、古典的なCNNとANNのモデルより優れている可能性が示されている。
論文 参考訳（メタデータ） (2023-07-17T02:38:04Z) - 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) - Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。
提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。
決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文 参考訳（メタデータ） (2022-11-09T09:19:15Z) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-06T23:45:58Z) - QDCNN: Quantum Dilated Convolutional Neural Network [1.52292571922932]
量子拡張畳み込みニューラルネットワーク(QDCNN)と呼ばれる新しいハイブリッド量子古典型アルゴリズムを提案する。
提案手法は,現代のディープラーニングアルゴリズムに広く応用されている拡張畳み込みの概念を,ハイブリッドニューラルネットワークの文脈にまで拡張する。
提案したQDCNNは,量子畳み込み過程において,計算コストを低減しつつ,より大きなコンテキストを捉えることができる。
論文 参考訳（メタデータ） (2021-10-29T10:24:34Z) - A Quantum Convolutional Neural Network for Image Classification [7.745213180689952]
量子畳み込みニューラルネットワーク(QCNN)という新しいニューラルネットワークモデルを提案する。
QCNNは実装可能な量子回路に基づいており、古典的畳み込みニューラルネットワークと同様の構造を持つ。
MNISTデータセットの数値シミュレーションにより,本モデルの有効性が示された。
論文 参考訳（メタデータ） (2021-07-08T06:47:34Z) - QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。
提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。
交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
論文 参考訳（メタデータ） (2021-06-19T04:37:39Z) - 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) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z)
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。