Fugu-MT 論文翻訳(概要): Layered Uploading for Quantum Convolutional Neural Networks

論文の概要: Layered Uploading for Quantum Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2404.09750v1
Date: Mon, 15 Apr 2024 12:51:51 GMT
ステータス: 処理完了
システム内更新日: 2024-04-16 13:38:59.000600
Title: Layered Uploading for Quantum Convolutional Neural Networks
Title（参考訳）: 量子畳み込みニューラルネットワークのための層載荷
Authors: Grégoire Barrué, Tony Quertier,
Abstract要約: 量子回路に沿ってデータをアップロードする新しいアーキテクチャを提案する。これにより、量子回路に使用する量子ビットの数を増やすことなく、データからより多くの機能を利用することができます。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continuing our analysis of quantum machine learning applied to our use-case of malware detection, we investigate the potential of quantum convolutional neural networks. More precisely, we propose a new architecture where data is uploaded all along the quantum circuit. This allows us to use more features from the data, hence giving to the algorithm more information, without having to increase the number of qubits that we use for the quantum circuit. This approach is motivated by the fact that we do not always have great amounts of data, and that quantum computers are currently restricted in their number of logical qubits.
Abstract（参考訳）: マルウェア検出に応用した量子機械学習の分析を継続し、量子畳み込みニューラルネットワークの可能性について検討する。より正確には、量子回路に沿ってデータがアップロードされる新しいアーキテクチャを提案する。これにより、量子回路に使用する量子ビットの数を増やすことなく、データからより多くの機能を使用することで、アルゴリズムにより多くの情報を与えることができます。このアプローチは、常に大量のデータを持っておらず、現在量子コンピュータはその論理量子ビット数に制限されているという事実によって動機付けられている。

関連論文リスト

The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文参考訳（メタデータ） (2024-08-19T12:18:07Z)
Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
本稿では,量子情報処理の導入について紹介する。量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
論文参考訳（メタデータ） (2024-05-31T16:43:20Z)
Measurement-based quantum machine learning [0.0]
量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークの概念を量子データのための量子モデルに拡張するオブジェクトである。マルチトライアングルアンサッツ (MuTA) と呼ぶこのフレームワークで普遍的なQNNを提案する。
論文参考訳（メタデータ） (2024-05-14T05:17:01Z)
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)
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)
Data compression for quantum machine learning [2.119778346188635]
量子コンピュータで使用する古典的データを効率よく圧縮・ロードする問題に対処する。提案手法により,必要量子ビット数と量子回路の深さを調整できる。
論文参考訳（メタデータ） (2022-04-24T03:03:14Z)
Quantum Algorithms for Unsupervised Machine Learning and Neural Networks [2.28438857884398]
行列積や距離推定といったタスクを解くために量子アルゴリズムを導入する。これらの結果は、教師なし機械学習のための新しい量子アルゴリズムの開発に使用される。また、ニューラルネットワークやディープラーニングのための新しい量子アルゴリズムも提示します。
論文参考訳（メタデータ） (2021-11-05T16:36:09Z)
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 walk processes in quantum devices [55.41644538483948]
グラフ上の量子ウォークを量子回路として表現する方法を研究する。提案手法は,量子ウォークアルゴリズムを量子コンピュータ上で効率的に実装する方法である。
論文参考訳（メタデータ） (2020-12-28T18:04:16Z)
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)

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。