論文の概要: Variational Quantum Circuits Enhanced Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2402.01791v1
• Date: Fri, 2 Feb 2024 03:59:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 01:50:08.368060
• Title: Variational Quantum Circuits Enhanced Generative Adversarial Network
• Title（参考訳）: 可変量子回路による生成逆数ネットワークの強化
• Authors: Runqiu Shu, Xusheng Xu, Man-Hong Yung, Wei Cui
• Abstract要約: 我々は、GAN(QC-GAN)を改善するためのハイブリッド量子古典アーキテクチャを提案する。 QC-GANは1層ニューラルネットワークと共に量子変動回路で構成され、識別器は従来のニューラルネットワークで構成されている。 また、QC-GANが16ドル以上の画像を生成することのできない代替量子GAN、すなわちpathGANよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 5.209320054725053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial network (GAN) is one of the widely-adopted machine-learning frameworks for a wide range of applications such as generating high-quality images, video, and audio contents. However, training a GAN could become computationally expensive for large neural networks. In this work, we propose a hybrid quantum-classical architecture for improving GAN (denoted as QC-GAN). The performance was examed numerically by benchmarking with a classical GAN using MindSpore Quantum on the task of hand-written image generation. The generator of the QC-GAN consists of a quantum variational circuit together with a one-layer neural network, and the discriminator consists of a traditional neural network. Leveraging the entangling and expressive power of quantum circuits, our hybrid architecture achieved better performance (Frechet Inception Distance) than the classical GAN, with much fewer training parameters and number of iterations for convergence. We have also demonstrated the superiority of QC-GAN over an alternative quantum GAN, namely pathGAN, which could hardly generate 16$\times$16 or larger images. This work demonstrates the value of combining ideas from quantum computing with machine learning for both areas of Quantum-for-AI and AI-for-Quantum.
• Abstract（参考訳）: GAN(Generative Adversarial Network)は、高品質な画像、ビデオ、オーディオコンテンツの生成など、幅広いアプリケーション向けに広く採用されている機械学習フレームワークの1つである。 しかし、ganのトレーニングは大きなニューラルネットワークにとって計算コストがかかる可能性がある。 本稿では、GAN(QC-GAN)を改善するためのハイブリッド量子古典アーキテクチャを提案する。 この性能は、手書き画像生成のタスクでMindSpore Quantumを用いて古典的なGANとベンチマークすることで数値的に検証された。 QC-GANのジェネレータは1層ニューラルネットワークと共に量子変動回路で構成され、識別器は従来のニューラルネットワークで構成されている。 量子回路のエンタングリングと表現力を活用して、我々のハイブリッドアーキテクチャは、従来のGANよりも優れた性能(フレッシュ・インセプション・ディスタンス)を達成し、トレーニングパラメータや収束のためのイテレーションの数を大幅に減らした。 また、QC-GANが16$\times$16以上の画像を生成することができない代替量子GANであるpathGANよりも優れていることを示した。 この研究は、量子コンピューティングのアイデアと、量子AIとAIの両方の領域における機械学習を組み合わせる価値を示す。

関連論文リスト

• LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
  量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。 本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:18:06Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• 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)
• IQGAN: Robust Quantum Generative Adversarial Network for Image Synthesis On NISQ Devices [2.4123561871510275]
  我々は、ノイズ中間量子(NISQ)デバイス上で効率よく実装できるマルチキュービット画像合成フレームワークIQGANを提案する。 そこで我々は,古典的データを量子状態に効果的に埋め込む訓練可能なマルチキュービット量子エンコーダを特徴とするIQGANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-30T14:52:08Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• 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)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• QuGAN: A Quantum State Fidelity based Generative Adversarial Network [10.110634675568203]
  Generative Adversarial Network (GAN) は、科学、芸術、ビデオゲームの領域にまたがる人工画像の生成、テキスト・ツー・イメージ、画像拡張に広く利用されている。 安定収束, 量子状態に基づく勾配, パラメータセットを著しく削減した量子GANアーキテクチャQuGANを提案する。
  論文  参考訳（メタデータ） (2020-10-18T17:10:07Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。