Fugu-MT 論文翻訳(概要): Quantum-inspired activation functions in the convolutional neural network

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

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)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
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。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
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)
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)
QDCNN: Quantum Dilated Convolutional Neural Network [1.52292571922932]
量子拡張畳み込みニューラルネットワーク(QDCNN)と呼ばれる新しいハイブリッド量子古典型アルゴリズムを提案する。提案手法は,現代のディープラーニングアルゴリズムに広く応用されている拡張畳み込みの概念を,ハイブリッドニューラルネットワークの文脈にまで拡張する。提案したQDCNNは,量子畳み込み過程において,計算コストを低減しつつ,より大きなコンテキストを捉えることができる。
論文参考訳（メタデータ） (2021-10-29T10:24:34Z)
On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文参考訳（メタデータ） (2021-06-29T14:01:40Z)
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)
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)
The power of quantum neural networks [3.327474729829121]
しかし、短期的には、量子機械学習の利点はあまり明確ではない。我々は、情報幾何学のツールを使用して、量子モデルと古典モデルの表現可能性の概念を定義します。量子ニューラルネットワークは、同等の古典的ニューラルネットワークよりもはるかに優れた次元を達成可能であることを示す。
論文参考訳（メタデータ） (2020-10-30T18:13:32Z)
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。