論文の概要: Quantum neural network with ensemble learning to mitigate barren plateaus and cost function concentration

• arxiv url: http://arxiv.org/abs/2402.06026v1
• Date: Thu, 8 Feb 2024 19:57:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-12 18:55:50.861531
• Title: Quantum neural network with ensemble learning to mitigate barren plateaus and cost function concentration
• Title（参考訳）: 不毛高原とコスト関数集中を緩和するアンサンブル学習を用いた量子ニューラルネットワーク
• Authors: Lucas Friedrich, Jonas Maziero
• Abstract要約: 本稿では,量子ニューラルネットワーク構築における新しいアプローチ,特にVGとCFCの問題に対処する手法を提案する。 我々の手法はアンサンブル学習を採用し、深さが1ドルで複数の量子回路を同時に展開することを提唱している。 提案モデルの有効性を,従来構築したQNNとの比較分析により評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid development of quantum computers promises transformative impacts across diverse fields of science and technology. Quantum neural networks (QNNs), as a forefront application, hold substantial potential. Despite the multitude of proposed models in the literature, persistent challenges, notably the vanishing gradient (VG) and cost function concentration (CFC) problems, impede their widespread success. In this study, we introduce a novel approach to quantum neural network construction, specifically addressing the issues of VG and CFC. Our methodology employs ensemble learning, advocating for the simultaneous deployment of multiple quantum circuits with a depth equal to $1$, a departure from the conventional use of a single quantum circuit with depth $L$. We assess the efficacy of our proposed model through a comparative analysis with a conventionally constructed QNN. The evaluation unfolds in the context of a classification problem, yielding valuable insights into the potential advantages of our innovative approach.
• Abstract（参考訳）: 量子コンピュータの急速な発展は、科学とテクノロジーの多様な分野にまたがる変革的な影響をもたらす。 量子ニューラルネットワーク(QNN)は、最前線のアプリケーションとして、大きな可能性を秘めている。 文献に多くのモデルが提案されているにもかかわらず、永続的な課題、特に消失勾配(VG)とコスト関数集中(CFC)の問題は、その成功を妨げている。 本研究では,量子ニューラルネットワーク構築における新しいアプローチ,特にVGとCFCの問題に対処する手法を提案する。 提案手法はアンサンブル学習を応用し、深さが1ドルに等しい複数の量子回路を同時に展開することを提唱し、従来の1つの量子回路の深さが$l$の1つの量子回路から脱却する。 提案モデルの有効性を,従来構築したQNNとの比較分析により評価する。 評価は分類問題の文脈で展開され、革新的アプローチの潜在的な利点に対する貴重な洞察を与えます。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Let the Quantum Creep In: Designing Quantum Neural Network Models by Gradually Swapping Out Classical Components [1.024113475677323]
  現代のAIシステムはニューラルネットワーク上に構築されることが多い。 古典的ニューラルネットワーク層を量子層に置き換える枠組みを提案する。 画像分類データセットの数値実験を行い、量子部品の体系的導入による性能変化を実証する。
  論文  参考訳（メタデータ） (2024-09-26T07:01:29Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
  量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。 適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。 本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
  論文  参考訳（メタデータ） (2024-02-01T15:13:26Z)
• Deep-Q Learning with Hybrid Quantum Neural Network on Solving Maze Problems [1.4801853435122907]
  本研究は,ゲートベース量子コンピューティングモデル上でのトレーニング可能な変分量子回路(VQC)を用いて,モデルフリー強化学習問題における量子利得の可能性について検討する。 我々は、最新のQiskitとPyTorchフレームワークに基づいて、新しいハイブリッド量子ニューラルネットワークを設計、訓練した。 我々の研究は、迷路の問題を解決するための深層量子学習の可能性や、他の強化学習の問題に関する洞察を提供する。
  論文  参考訳（メタデータ） (2023-04-20T08:32:58Z)
• Quantum Deep Hedging [10.243020478772056]
  我々は、深層強化学習が現実世界に強力な枠組みを提供するヘッジの問題を考察する。 我々はポリシー探索と分布型アクター批判アルゴリズムに基づく量子強化学習法を開発した。 トラップイオン量子プロセッサ上で提案したモデルの実装に成功した。
  論文  参考訳（メタデータ） (2023-03-29T10:42:50Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• 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)
• Physics-Informed Quantum Communication Networks: A Vision Towards the Quantum Internet [79.8886946157912]
  本稿では,量子通信ネットワーク(QCN)の性能を物理インフォームド方式で解析する。 物理インフォームドアプローチの必要性を評価し,実践的なQCNの設計におけるその基本的な役割を解析する。 我々はQCNが量子技術の最先端を活用できる新しい物理インフォームドパフォーマンス指標と制御を同定する。
  論文  参考訳（メタデータ） (2022-04-20T05:32:16Z)
• An unsupervised feature learning for quantum-classical convolutional network with applications to fault detection [5.609958919699706]
  本稿では,量子特徴抽出器の階層構造を学習するために,量子古典的畳み込みネットワークのための単純な教師なし手法を提案する。 提案手法の主な貢献は、量子回路アンサッツにおける量子特性の差を最大化するために、$K$-meansクラスタリングを使用することである。
  論文  参考訳（メタデータ） (2021-07-17T03:16:59Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。