論文の概要: Quantum-inspired activation functions in the convolutional neural network
- arxiv url: http://arxiv.org/abs/2404.05901v1
- Date: Mon, 8 Apr 2024 23:08:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 16:28:06.454858
- Title: Quantum-inspired activation functions in the convolutional neural network
- Title(参考訳): 畳み込みニューラルネットワークにおける量子誘発活性化機能
- Authors: Shaozhi Li, M Sabbir Salek, Yao Wang, Mashrur Chowdhury,
- Abstract要約: 畳み込みニューラルネットワーク(CNN)に組み込まれた量子回路の表現可能性について検討する。
数値学習により,我々のハイブリッド量子古典CNNモデルは優れた特徴選択能力を示した。
量子アクティベーション関数は重要な特徴を選択し、重要でない情報を破棄する上でより効率的であることを示す。
- 参考スコア(独自算出の注目度): 6.09437748873686
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Driven by the significant advantages offered by quantum computing, research in quantum machine learning has increased in recent years. While quantum speed-up has been demonstrated in some applications of quantum machine learning, a comprehensive understanding of its underlying mechanisms for improved performance remains elusive. Our study fills this gap by examining the expressibility of quantum circuits integrated within a convolutional neural network (CNN). Through numerical training on the MNIST dataset, our hybrid quantum-classical CNN model exhibited superior feature selection capabilities and significantly reduced the required training steps compared to the classical CNN. To understand the root of this enhanced performance, we conducted an analytical investigation of the functional expressibility of quantum circuits and derived a quantum activation function. We demonstrated that this quantum activation is more efficient in selecting important features and discarding unimportant information of input images. These findings not only deepen our comprehension of quantum-enhanced machine-learning models but also advance the classical machine-learning technique by introducing the quantum-inspired activation function.
- Abstract(参考訳): 量子コンピューティングがもたらす大きなアドバンテージによって、近年は量子機械学習の研究が増加している。
量子機械学習のいくつかの応用で量子スピードアップが実証されているが、その基盤となる性能改善メカニズムの包括的理解はいまだに解明されていない。
本研究では、畳み込みニューラルネットワーク(CNN)に組み込まれた量子回路の表現可能性を調べることにより、このギャップを埋める。
MNISTデータセットの数値学習により、我々のハイブリッド量子古典的CNNモデルは優れた特徴選択能力を示し、古典的CNNと比較して必要なトレーニングステップを大幅に削減した。
この性能向上のルーツを理解するため,量子回路の機能的表現可能性の分析を行い,量子アクティベーション関数の導出を行った。
我々は、この量子アクティベーションが重要な特徴を選択し、入力画像の重要でない情報を破棄する上でより効率的であることを実証した。
これらの知見は、量子化された機械学習モデルの理解を深めるだけでなく、量子に着想を得たアクティベーション関数を導入することによって、古典的な機械学習技術も前進させた。
関連論文リスト
- Quantum Mixed-State Self-Attention Network [3.314566358917308]
本稿では、量子コンピューティングの原理と古典的な機械学習アルゴリズムを統合する新しい量子混合状態注意ネットワーク(QMSAN)を紹介する。
QMSANモデルは混合状態に基づく量子アテンション機構を採用し、量子領域内のクエリとキー間の類似性を効率的に直接推定することを可能にする。
本研究は,QMSANが低雑音に対する可換ロバスト性を有することを示すため,異なる量子雑音環境におけるモデルのロバスト性について検討した。
論文 参考訳(メタデータ) (2024-03-05T11:29:05Z) - A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。
また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。
量子ニューラルネットワークの潜在的な利点を例に挙げる。
論文 参考訳(メタデータ) (2024-02-22T16:48:17Z) - Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳(メタデータ) (2024-01-20T03:11:59Z) - Quantum Generative Adversarial Networks: Bridging Classical and Quantum
Realms [0.6827423171182153]
GAN(Generative Adversarial Networks)領域における古典的および量子コンピューティングパラダイムの相乗的融合について検討する。
我々の目的は、量子計算要素を従来のGANアーキテクチャにシームレスに統合し、トレーニングプロセスの強化のために新しい経路を開放することである。
この研究は量子化機械学習の最前線に位置し、量子システムの計算能力を活用するための重要な一歩である。
論文 参考訳(メタデータ) (2023-12-15T16:51:36Z) - 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) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - 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) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Quantum Neural Network Classifiers: A Tutorial [1.4567067583556714]
我々は、パラメータ化量子回路の形で量子ニューラルネットワークに焦点を当てる。
我々は主に、教師付き学習タスクのための量子ニューラルネットワークの異なる構造と符号化戦略について議論する。
Julia言語で記述された量子シミュレーションパッケージであるYoo.jlを使って、パフォーマンスをベンチマークする。
論文 参考訳(メタデータ) (2022-06-06T18:00:01Z) - Storage properties of a quantum perceptron [0.0]
特定の量子パーセプトロンアーキテクチャの記憶容量について検討する。
我々は、特定の量子パーセプトロンモデルに焦点をあて、多数の入力の極限において、その記憶特性を探求する。
論文 参考訳(メタデータ) (2021-11-16T12:32:34Z) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳(メタデータ) (2020-10-13T06:57:17Z)
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。