Fugu-MT 論文翻訳(概要): Quantum optical classifier with superexponential speedup

論文の概要: Quantum optical classifier with superexponential speedup

arxiv url: http://arxiv.org/abs/2404.15266v1
Date: Tue, 23 Apr 2024 17:55:49 GMT
ステータス: 処理完了
システム内更新日: 2024-04-24 12:53:16.016180
Title: Quantum optical classifier with superexponential speedup
Title（参考訳）: 超指数スピードアップを用いた量子光学分類器
Authors: Simone Roncallo, Angela Rosy Morgillo, Chiara Macchiavello, Lorenzo Maccone, Seth Lloyd,
Abstract要約: 本稿では,バイナリ分類タスクのための量子光学パターン認識手法を提案する。香港・ウー・マンデル干渉計の出力における2光子偶然の速度で物体を分類する。
参考スコア（独自算出の注目度）: 3.262230127283452
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a quantum optical pattern recognition method for binary classification tasks. Without direct image reconstruction, it classifies an object in terms of the rate of two-photon coincidences at the output of a Hong-Ou-Mandel interferometer, where both the input and the classifier parameters are encoded into single-photon states. Our method exhibits the same behaviour of a classical neuron of unit depth. Once trained, it shows a constant $\mathcal{O}(1)$ complexity in the number of computational operations and photons required by a single classification. This is a superexponential advantage over a classical neuron (that is at least linear in the image resolution). We provide simulations and analytical comparisons with analogous neural network architectures.
Abstract（参考訳）: 本稿では,バイナリ分類タスクのための量子光学パターン認識手法を提案する。直接画像再構成なしでは、入力と分類器パラメータの両方が単一光子状態に符号化される香港・ウー・マンデル干渉計の出力で2光子偶然の速度でオブジェクトを分類する。本手法は, 単位深さの古典ニューロンと同じ挙動を示す。一度訓練すると、1つの分類で必要とされる計算演算数と光子数に一定の$\mathcal{O}(1)$複雑さを示す。これは古典ニューロン(少なくとも画像分解能において線形である)に対する超指数的優位性である。我々は、類似のニューラルネットワークアーキテクチャとシミュレーションおよび分析比較を行う。

関連論文リスト

Non-binary artificial neuron with phase variation implemented on a quantum computer [0.0]
複素数の位相を操作するバイナリモデルを一般化するアルゴリズムを導入する。量子コンピュータにおける連続的な値を扱うニューロンモデルを提案し,検証し,実装する。
論文参考訳（メタデータ） (2024-10-30T18:18:53Z)
Sub-diffraction estimation, discrimination and learning of quantum states of light [0.0]
サブレイリー推定の手法として空間モードデマルチプレクシング(SPADE)が提案されている。サブレイリー分解能を実現するハイブリッド量子古典画像分類器を提案する。
論文参考訳（メタデータ） (2024-06-05T12:08:58Z)
Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文参考訳（メタデータ） (2024-02-25T16:57:51Z)
Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文参考訳（メタデータ） (2023-08-28T12:55:13Z)
Efficient qudit based scheme for photonic quantum computing [0.0]
本研究は,d>2光モードにおける単一光子の光子数状態によって定義される量子量について検討する。線形光学と光子数分解検出器を用いて局所最適非決定性多量子ゲートを構築する方法を示す。我々は、quditクラスタ状態は、光学モードを少なくし、類似の計算能力を持つqubitクラスタ状態よりも、絡み合った光子が少なく符号化されていることを発見した。
論文参考訳（メタデータ） (2023-02-14T21:41:45Z)
Quantum Kernel Evaluation via Hong-Ou-Mandel Interference [11.270300525597227]
本稿では,Hong-Ou-Mandel(HOM)干渉を用いた量子カーネル評価プロトコルの提案とシミュレーションを行う。その結果、2つの光子を干渉し、検出された偶然数を用いて直接測定と二分分類を行うことができた。この物理プラットフォームは、他の研究で理論的に記述された指数量子上の優位性を与える。
論文参考訳（メタデータ） (2022-12-22T23:55:23Z)
Classical simulation of boson sampling based on graph structure [2.5496329090462626]
線形光回路のグラフ構造を利用する単一光子およびガウス入力状態に対する古典的なサンプリングアルゴリズムを提案する。回路深さが格子間隔の二次よりも小さい場合、指数的に小さな誤差で効率的なシミュレーションが可能であることを示す。近年の数値的なガウスボソンサンプリング実験により,木幅に制限のある木幅アルゴリズムが実験データよりも大きな可能性を示す可能性が示された。
論文参考訳（メタデータ） (2021-10-04T17:02:35Z)
Connecting Weighted Automata, Tensor Networks and Recurrent Neural Networks through Spectral Learning [58.14930566993063]
我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-10-19T15:28:00Z)
Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文参考訳（メタデータ） (2020-10-01T16:04:22Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。