論文の概要: Studying the Impact of Quantum-Specific Hyperparameters on Hybrid
Quantum-Classical Neural Networks
- arxiv url: http://arxiv.org/abs/2402.10605v1
- Date: Fri, 16 Feb 2024 11:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 16:26:17.238618
- Title: Studying the Impact of Quantum-Specific Hyperparameters on Hybrid
Quantum-Classical Neural Networks
- Title（参考訳）: ハイブリッド量子古典ニューラルネットワークにおける量子特異ハイパーパラメータの影響に関する研究
- Authors: Kamila Zaman and Tasnim Ahmed and Muhammad Kashif and Muhammad
Abdullah Hanif and Alberto Marchisio and Muhammad Shafique
- Abstract要約: ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。
本稿では,画像分類タスクのHQNNモデルに異なるバリエーションが与える影響について検討する。
本研究の目的は,HQNNモデルの直感的および直感的学習パターンを,制御量子摂動の粒度レベルで解明することである。
- 参考スコア（独自算出の注目度）: 5.247197295547863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In current noisy intermediate-scale quantum devices, hybrid quantum-classical
neural networks (HQNNs) represent a promising solution that combines the
strengths of classical machine learning with quantum computing capabilities.
Compared to classical deep neural networks (DNNs), HQNNs present an additional
set of hyperparameters, which are specific to quantum circuits. These
quantum-specific hyperparameters, such as quantum layers depth, number of
qubits, type of entanglement, type of encoding, number of shots, and
measurement observables, can be tuned to modify the behavior of the HQNNs and
their capabilities to learn the given task. In this paper, we investigate the
impact of these variations on different HQNN models for image classification
tasks, implemented on both Qiskit and PennyLane frameworks. We aim to uncover
intuitive and counter-intuitive learning patterns of HQNN models within
granular levels of controlled quantum perturbations, to form a sound basis for
their correlation to accuracy. The outcome of our study opens new avenues for
designing efficient HQNN algorithms and builds a foundational base for
comprehending and identifying tunable hyperparameters of HQNN models that can
lead to useful implementation and usage.
- Abstract（参考訳）: 現在のノイズの多い中間スケール量子デバイスでは、ハイブリッド量子古典型ニューラルネットワーク(hqnns)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた有望なソリューションである。
古典的なディープニューラルネットワーク(DNN)と比較して、HQNNは量子回路に特有のハイパーパラメータのセットを新たに提示する。
量子層深さ、量子ビット数、エンタングルメントの種類、エンコーディングの種類、ショット数、測定可観測値などのこれらの量子固有ハイパーパラメータは、HQNNの振る舞いと与えられたタスクを学習する能力を変更するために調整することができる。
本稿では,これらのバリエーションが画像分類タスクのHQNNモデルに与える影響を,Qiskit と PennyLane の両フレームワークで検討する。
我々は,HQNNモデルの直感的・直感的学習パターンを制御された量子摂動の粒度レベル内に発見し,精度と相関する音響基底を形成することを目的とする。
本研究の結果は,効率的なHQNNアルゴリズムを設計するための新たな道程を開拓し,HQNNモデルのチューニング可能なハイパーパラメータの理解と同定のための基盤を構築する。
関連論文リスト
- Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術は プライバシー セキュリティ 情報整合性に 課題をもたらす
本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-11T20:52:10Z) - 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) - 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) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - 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) - On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing
Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。
この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。
マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文 参考訳（メタデータ） (2021-09-20T12:41:50Z) - 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) - Branching Quantum Convolutional Neural Networks [0.0]
小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。
本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
論文 参考訳（メタデータ） (2020-12-28T19:00:03Z) - 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) - 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) - 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。