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

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware [0.0]
  強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。 本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。 GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
  論文  参考訳（メタデータ） (2024-10-31T22:02:32Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• A Study on Optimization Techniques for Variational Quantum Circuits in Reinforcement Learning [2.7504809152812695]
  研究者は変分量子回路(VQC)に注目している VQCは、パラメータによって調整可能な量子回路をマージするハイブリッドアルゴリズムである。 近年の研究では、強化学習にVQCを適用する新しい方法が提示されている。
  論文  参考訳（メタデータ） (2024-05-20T20:06:42Z)
• Quantum-inspired activation functions and quantum Chebyshev-polynomial 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機能的表現性について検討する。 我々は,量子活性化関数の特性に基づいて,ハイブリッド量子Chebyshev-polynomial Network (QCPN) を開発した。 この結果から,量子インスパイアされたアクティベーション関数は,高次学習能力を維持しながらモデル深度を低減できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-08T23:08:38Z)
• 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 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)
• 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-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)
• 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。