論文の概要: Unleashing the Expressive Power of Pulse-Based Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2402.02880v1
- Date: Mon, 5 Feb 2024 10:47:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 16:45:50.076038
- Title: Unleashing the Expressive Power of Pulse-Based Quantum Neural Networks
- Title（参考訳）: パルス型量子ニューラルネットワークの表現力の解き放つ
- Authors: Han-Xiao Tao and Jiaqi Hu and Re-Bing Wu
- Abstract要約: ノイズ中間スケール量子(NISQ)デバイスに基づく量子機械学習(QML)は、限られた量子リソースの最適利用を必要とする。
ゲートベースのQMLモデルは、ソフトウェアエンジニアにとって便利であるが、その表現性は有限コヒーレンス時間内での許容回路深さによって制限される。
パルスベースのモデルでは、同じコヒーレンス時間内に「無限に」深い量子ニューラルネットワークを構築することができる。
- 参考スコア（独自算出の注目度）: 0.51795041186793
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning (QML) based on Noisy Intermediate-Scale Quantum
(NISQ) devices requires the optimal utilization of limited quantum resources.
The commonly used gate-based QML models are convenient for software engineers,
but their expressivity is restricted by the permissible circuit depth within a
finite coherence time. In contrast, pulse-based models enable the construction
of "infinitely" deep quantum neural networks within the same coherence time,
which may unleash greater expressive power for complex learning tasks. In this
paper, we investigate this potential from the perspective of quantum control
theory. We first indicate that the nonlinearity of pulse-based models comes
from the encoding process that can be viewed as the continuous limit of
data-reuploading in gate-based models. Subsequently, we prove that the
pulse-based model can approximate arbitrary nonlinear functions when the
underlying physical system is ensemble controllable. Under this condition,
numerical simulations show that the expressivity can be enhanced by either
increasing the pulse length or the number of qubits. As anticipated, we
demonstrate through numerical examples that the pulse-based model can unleash
more expressive power compared to the gate-based model. These findings
establish a theoretical foundation for understanding and designing expressive
QML models using NISQ devices.
- Abstract（参考訳）: ノイズ中間スケール量子(NISQ)デバイスに基づく量子機械学習(QML)は、限られた量子リソースの最適利用を必要とする。
一般的に使われるゲートベースのqmlモデルは、ソフトウェアエンジニアにとって便利であるが、その表現性は有限コヒーレンス時間内の許容回路深さによって制限される。
これとは対照的に、パルスベースのモデルでは、同じコヒーレンス時間内に「無限に」深い量子ニューラルネットワークを構築することが可能であり、複雑な学習タスクにおいてより表現力を高めることができる。
本稿では,量子制御理論の観点から,このポテンシャルについて検討する。
まず、パルスベースモデルの非線形性は、ゲートベースモデルにおけるデータ再ロードの連続的な限界と見なせる符号化プロセスに由来することを示唆する。
次いで, 基礎物理系がアンサンブル制御可能である場合, パルスベースモデルが任意の非線形関数を近似できることを証明した。
この条件下では、数値シミュレーションにより、パルス長や量子ビットの数を増やすことにより、表現性を高めることができる。
期待されたように、パルスベースモデルがゲートベースモデルよりも表現力の解放を図った数値例を通して示す。
NISQデバイスを用いた表現型QMLモデルの理解と設計のための理論的基盤を確立する。
関連論文リスト
- 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) - On the Role of Controllability in Pulse-based Quantum Machine Learning Models [0.0]
トレードオフは、基礎となるパルスベースモデルの制御可能性と密接に関係していることを示す。
次元性の増大は表現性を向上するが,モデルが部分多様体上の限定的な制御性を持つ設計の場合,不規則な台地を避けることが示される。
論文 参考訳（メタデータ） (2024-05-15T07:02:41Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - Impact of the form of weighted networks on the quantum extreme reservoir computation [0.0]
量子極端貯水池計算(QERC)は、汎用的な量子ニューラルネットワークモデルである。
本稿では,その簡単な実装経路を持つ乱れ離散時間結晶に基づく単純なハミルトンモデルが,ほぼ最適性能を実現する方法を示す。
論文 参考訳（メタデータ） (2022-11-15T01:50:47Z) - A kernel-based quantum random forest for improved classification [0.0]
従来の古典的学習手法を強化する量子機械学習(QML)は、その実現に様々な制限がある。
量子カーネル推定(QKE)によって計算されるカーネル関数で線形量子支援ベクトルマシン(QSVM)を拡張する。
オーバーフィッティングを制限するため、カーネル行列に低ランクNystr"om近似を適用するようモデルをさらに拡張する。
論文 参考訳（メタデータ） (2022-10-05T15:57:31Z) - Introducing Non-Linearity into Quantum Generative Models [0.0]
我々は、ニューラルネットワーク構造を介して非線形アクティベーションを標準のBorn Machineフレームワークに追加するモデルを導入する。
非線形QNBMと線形量子回路ボルンマシンを比較した。
両モデルとも、自明な均一な確率分布を容易に学習できるが、QNBMはQCBMの約3倍の誤差率を達成する。
論文 参考訳（メタデータ） (2022-05-28T18:59:49Z) - 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) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳（メタデータ） (2022-05-10T08:05:59Z) - 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) - 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) - 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。