論文の概要: Using Quantum Computing to Infer Dynamic Behaviors of Biological and Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2403.18963v1
• Date: Wed, 27 Mar 2024 19:16:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 18:11:43.860249
• Title: Using Quantum Computing to Infer Dynamic Behaviors of Biological and Artificial Neural Networks
• Title（参考訳）: 量子コンピューティングを用いた生体ニューラルネットワークとニューラルネットワークの動的挙動の推算
• Authors: Gabriel A. Silva,
• Abstract要約: 本質的に完全に探索されていないトピックは、量子アルゴリズムとコンピューティングを使用して、ニューラルネットワークの機能的ダイナミクスに関する質問をテキスト化し、問うことである。 これは、生体および人工ニューラルネットワークのモデリングとシミュレーションに量子コンピューティングを適用するという、まだ初期段階のトピックのコンポーネントである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The exploration of new problem classes for quantum computation is an active area of research. An essentially completely unexplored topic is the use of quantum algorithms and computing to explore and ask questions \textit{about} the functional dynamics of neural networks. This is a component of the still-nascent topic of applying quantum computing to the modeling and simulations of biological and artificial neural networks. In this work, we show how a carefully constructed set of conditions can use two foundational quantum algorithms, Grover and Deutsch-Josza, in such a way that the output measurements admit an interpretation that guarantees we can infer if a simple representation of a neural network (which applies to both biological and artificial networks) after some period of time has the potential to continue sustaining dynamic activity. Or whether the dynamics are guaranteed to stop either through 'epileptic' dynamics or quiescence.
• Abstract（参考訳）: 量子計算の新しい問題クラスの探索は研究の活発な領域である。 本質的に完全に探索されていないトピックは、量子アルゴリズムとコンピューティングを使用して、ニューラルネットワークの関数力学を探索し、疑問を問うことである。 これは、生体および人工ニューラルネットワークのモデリングとシミュレーションに量子コンピューティングを適用するという、まだ初期段階のトピックのコンポーネントである。 本研究では,ニューラルネットワークの簡単な表現(生体と人工のネットワークの両方に適用される)が一定時間後に持続する可能性を持つかどうかを,出力測定が保証する解釈を許容するように,慎重に構築された条件セットが,GroverとDeutsch-Joszaの2つの基本量子アルゴリズムを使用する方法を示す。 あるいは、この力学が「懐疑的」力学またはクエンスによって停止することが保証されているかどうか。

関連論文リスト

• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Learning Quantum Processes with Memory -- Quantum Recurrent Neural Networks [0.0]
  本稿では,散逸性量子ニューラルネットワークに基づく完全量子リカレントニューラルネットワークを提案する。 これらのアルゴリズムが複雑な量子過程をメモリで学習する可能性を実証する。 数値シミュレーションにより、我々の量子リカレントニューラルネットワークは、小さなトレーニングセットから一般化する顕著な能力を示すことが示された。
  論文  参考訳（メタデータ） (2023-01-19T16:58:39Z)
• Quantum Neural Networks -- Computational Field Theory and Dynamics [0.0]
  量子人工ニューラルネットワークの力学系としての形式化が開発されている。 量子コンピュータ科学、量子複雑性研究、量子技術、神経科学にもその意味がある。
  論文  参考訳（メタデータ） (2022-03-19T10:37:23Z)
• Quantum activation functions for quantum neural networks [0.0]
  情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。 この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
  論文  参考訳（メタデータ） (2022-01-10T23:55:49Z)
• On quantum neural networks [91.3755431537592]
  量子ニューラルネットワークの概念は、その最も一般的な関数の観点から定義されるべきである。 我々の推論は、量子力学におけるファインマン経路積分定式化の利用に基づいている。
  論文  参考訳（メタデータ） (2021-04-12T18:30:30Z)
• 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)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Quantum neural networks with deep residual learning [29.929891641757273]
  本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
  論文  参考訳（メタデータ） (2020-12-14T18:11:07Z)
• 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)
• 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。