論文の概要: A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity

• arxiv url: http://arxiv.org/abs/2402.15333v1
• Date: Fri, 23 Feb 2024 14:09:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-26 14:20:06.702057
• Title: A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity
• Title（参考訳）: 量子状態忠実性に基づく量子古典的協調学習アーキテクチャ
• Authors: Ryan L'Abbate, Anthony D'Onofrio Jr., Samuel Stein, Samuel Yen-Chi Chen, Ang Li, Pin-Yu Chen, Juntao Chen, Ying Mao
• Abstract要約: 我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
• 参考スコア（独自算出の注目度）: 50.387179833629254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements have highlighted the limitations of current quantum systems, particularly the restricted number of qubits available on near-term quantum devices. This constraint greatly inhibits the range of applications that can leverage quantum computers. Moreover, as the available qubits increase, the computational complexity grows exponentially, posing additional challenges. Consequently, there is an urgent need to use qubits efficiently and mitigate both present limitations and future complexities. To address this, existing quantum applications attempt to integrate classical and quantum systems in a hybrid framework. In this study, we concentrate on quantum deep learning and introduce a collaborative classical-quantum architecture called co-TenQu. The classical component employs a tensor network for compression and feature extraction, enabling higher-dimensional data to be encoded onto logical quantum circuits with limited qubits. On the quantum side, we propose a quantum-state-fidelity-based evaluation function to iteratively train the network through a feedback loop between the two sides. co-TenQu has been implemented and evaluated with both simulators and the IBM-Q platform. Compared to state-of-the-art approaches, co-TenQu enhances a classical deep neural network by up to 41.72% in a fair setting. Additionally, it outperforms other quantum-based methods by up to 1.9 times and achieves similar accuracy while utilizing 70.59% fewer qubits.
• Abstract（参考訳）: 最近の進歩は、現在の量子システムの限界、特に短期量子デバイスで利用可能な量子ビット数の制限を強調している。 この制約は量子コンピュータを利用するアプリケーションの範囲を大幅に制限する。 さらに、利用可能な量子ビットが増加するにつれて、計算複雑性は指数関数的に増加し、さらなる課題が生じる。 そのため、qubitsを効率的に使用し、現在の制限と将来の複雑さを緩和する必要がある。 これを解決するために、既存の量子アプリケーションは古典的および量子的システムをハイブリッドフレームワークに統合しようとする。 本研究では,量子深層学習に集中し,コ・テンクと呼ばれる協調古典量子アーキテクチャを導入する。 古典的なコンポーネントは圧縮と特徴抽出のためにテンソルネットワークを使用し、高次元データを限定量子ビットを持つ論理量子回路に符号化することができる。 量子側では,両面間のフィードバックループを通じてネットワークを反復的に訓練する量子状態忠実度に基づく評価関数を提案する。 co-TenQuはシミュレータとIBM-Qプラットフォームの両方で実装および評価されている。 最先端のアプローチと比較して、Co-TenQuは古典的なディープニューラルネットワークを41.72%向上させる。 さらに、他の量子ベースの手法を最大1.9倍に上回り、70.59%少ない量子ビットを使用しながら同様の精度を達成する。

関連論文リスト

• Quantum Random Access Codes Implementation for Resource Allocation and Coexistence with Classical Telecommunication [32.73124984242397]
  現代の量子ネットワークは、異なるユーザー間でリソースを分配する能力に制限がある。 資源割り当ての観点から、符号化と復号化の戦略を実験的に検証する。 共存する古典的コミュニケーションをエミュレートすることにより、ノイズの存在下で実装のレジリエンスをテストする。
  論文  参考訳（メタデータ） (2024-03-27T20:46:50Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Assisted quantum simulation of open quantum systems [0.0]
  NISQ技術を用いてUQAの回路深さを低減する量子支援量子アルゴリズムを導入する。 オープン量子システムをシミュレーションするための量子支援量子アルゴリズムを2つ提案する。
  論文  参考訳（メタデータ） (2023-02-26T11:41:02Z)
• 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)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Quantum reservoir neural network implementation on coherently coupled quantum oscillators [1.7086737326992172]
  本稿では,多数の高密度結合ニューロンを得る量子貯水池の実装を提案する。 超伝導回路に基づく特定のハードウェア実装を解析する。 ベンチマークタスクでは99 %の最先端の精度が得られる。
  論文  参考訳（メタデータ） (2022-09-07T15:24:51Z)
• Quantum Robustness Verification: A Hybrid Quantum-Classical Neural Network Certification Algorithm [1.439946676159516]
  本研究では、堅牢性多変数混合整数プログラム(MIP)の解法を含むReLUネットワークの検証について検討する。 この問題を軽減するために、ニューラルネットワーク検証にQCを用い、証明可能な証明書を計算するためのハイブリッド量子プロシージャを導入することを提案する。 シミュレーション環境では,我々の証明は健全であり,問題の近似に必要な最小量子ビット数に制限を与える。
  論文  参考訳（メタデータ） (2022-05-02T13:23:56Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity [13.152233840194473]
  本稿では,量子ニューラルネットワークQuClassiを提案する。 量子微分関数とハイブリッド量子古典設計により、QuClassiはデータを量子ビットでエンコードし、量子回路を生成し、最良の状態のために量子プラットフォームにプッシュする。
  論文  参考訳（メタデータ） (2021-03-21T05:28:37Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。