論文の概要: Efficient Quantum Circuits for Machine Learning Activation Functions including Constant T-depth ReLU
- arxiv url: http://arxiv.org/abs/2404.06059v1
- Date: Tue, 9 Apr 2024 06:53:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 15:39:15.385467
- Title: Efficient Quantum Circuits for Machine Learning Activation Functions including Constant T-depth ReLU
- Title(参考訳): 定数T深度ReLUを含む機械学習活性化関数のための効率的な量子回路
- Authors: Wei Zi, Siyi Wang, Hyunji Kim, Xiaoming Sun, Anupam Chattopadhyay, Patrick Rebentrost,
- Abstract要約: ReLUとリークReLUのアクティベーション関数を新たに実装し、4および8のT$-depthを一定に達成する。
本研究は,量子機械学習の実用性と応用性向上に向けた重要な進展を示すものである。
- 参考スコア(独自算出の注目度): 8.104969289717495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, Quantum Machine Learning (QML) has increasingly captured the interest of researchers. Among the components in this domain, activation functions hold a fundamental and indispensable role. Our research focuses on the development of activation functions quantum circuits for integration into fault-tolerant quantum computing architectures, with an emphasis on minimizing $T$-depth. Specifically, we present novel implementations of ReLU and leaky ReLU activation functions, achieving constant $T$-depths of 4 and 8, respectively. Leveraging quantum lookup tables, we extend our exploration to other activation functions such as the sigmoid. This approach enables us to customize precision and $T$-depth by adjusting the number of qubits, making our results more adaptable to various application scenarios. This study represents a significant advancement towards enhancing the practicality and application of quantum machine learning.
- Abstract(参考訳): 近年、量子機械学習(QML)は研究者の関心をますます集めている。
この領域の構成要素のうち、活性化関数は基本的で必要不可欠な役割を担っている。
我々の研究は、フォールトトレラントな量子コンピューティングアーキテクチャに統合するためのアクティベーション関数量子回路の開発に焦点を当て、T$-depthの最小化に重点を置いている。
具体的には、ReLUとリークReLUのアクティベーション関数を新たに実装し、それぞれ4および8のT$-depthを一定に達成する。
量子ルックアップテーブルを活用することで、シグモイドのような他の活性化関数への探索を拡大する。
このアプローチにより、キュービットの数を調整することで、精度と$T$-depthをカスタマイズできます。
本研究は,量子機械学習の実用性と応用性向上に向けた重要な進展を示すものである。
関連論文リスト
- Quantum-inspired activation functions in the convolutional neural network [6.09437748873686]
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。
論文 参考訳(メタデータ) (2024-04-08T23:08:38Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳(メタデータ) (2024-02-26T09:32:07Z) - 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 Policy Gradient Algorithm with Optimized Action Decoding [1.3946033794136758]
動作選択に必要な古典的後処理を最適化するための,新しい品質指標を提案する。
この手法により,5キュービットのハードウェアデバイス上で,フルトレーニングルーチンの実行に成功した。
論文 参考訳(メタデータ) (2022-12-13T15:42:10Z) - 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 circuits for the preparation of spin eigenfunctions on quantum
computers [63.52264764099532]
ハミルトン対称性は、関連する多粒子波動関数を分類するための重要な道具である。
この研究は、量子コンピュータ上の全スピン固有関数の正確かつ近似的な準備のための量子回路を提示する。
論文 参考訳(メタデータ) (2022-02-19T00:21:46Z) - Quantum circuit architecture search on a superconducting processor [56.04169357427682]
変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。
しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。
8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
論文 参考訳(メタデータ) (2022-01-04T01:53:42Z) - Quantum Reinforcement Learning: the Maze problem [11.240669509034298]
量子領域に強化学習という古典的な概念を一般化した新しいQMLモデルを導入する。
特に,このアイデアを迷路問題に適用し,迷路から逃れるためにはエージェントが最適な行動集合を学習しなければならない。
エージェントは古典的および量子的状態の両方において最適な戦略を学習し、ノイズの多い環境下での動作についても検討する。
論文 参考訳(メタデータ) (2021-08-10T07:49:58Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Evolution of Activation Functions: An Empirical Investigation [0.30458514384586394]
本研究は、完全に新しい活性化関数の探索を自動化する進化的アルゴリズムを提案する。
これらの新しい活性化関数を、既存の一般的なアクティベーション関数と比較する。
論文 参考訳(メタデータ) (2021-05-30T20:08:20Z) - Reinforcement learning for optimization of variational quantum circuit
architectures [2.624902795082451]
本稿では,アンスの空間を自律的に探索する強化学習アルゴリズムを提案する。
水素化リチウム(LiH)の基底状態エネルギーを推定する問題に対するアルゴリズムの性能について紹介する。
論文 参考訳(メタデータ) (2021-03-30T05:46:21Z)
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。