論文の概要: Quantum Adjoint Convolutional Layers for Effective Data Representation
- arxiv url: http://arxiv.org/abs/2404.17378v1
- Date: Fri, 26 Apr 2024 12:52:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 13:15:01.461712
- Title: Quantum Adjoint Convolutional Layers for Effective Data Representation
- Title（参考訳）: 有効データ表現のための量子共役畳み込み層
- Authors: Ren-Xin Zhao, Shi Wang, Yaonan Wang,
- Abstract要約: 本稿では、効率的かつ解釈可能な量子畳み込みネットワークの開発の基礎を定めている。
また、量子マシンビジョンの分野でも進歩している。
- 参考スコア（独自算出の注目度）: 21.755109562063282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Convolutional Layer (QCL) is considered as one of the core of Quantum Convolutional Neural Networks (QCNNs) due to its efficient data feature extraction capability. However, the current principle of QCL is not as mathematically understandable as Classical Convolutional Layer (CCL) due to its black-box structure. Moreover, classical data mapping in many QCLs is inefficient. To this end, firstly, the Quantum Adjoint Convolution Operation (QACO) consisting of a quantum amplitude encoding and its inverse is theoretically shown to be equivalent to the quantum normalization of the convolution operation based on the Frobenius inner product while achieving an efficient characterization of the data. Subsequently, QACO is extended into a Quantum Adjoint Convolutional Layer (QACL) by Quantum Phase Estimation (QPE) to compute all Frobenius inner products in parallel. At last, comparative simulation experiments are carried out on PennyLane and TensorFlow platforms, mainly for the two cases of kernel fixed and unfixed in QACL. The results demonstrate that QACL with the insight of special quantum properties for the same images, provides higher training accuracy in MNIST and Fashion MNIST classification experiments, but sacrifices the learning performance to some extent. Predictably, our research lays the foundation for the development of efficient and interpretable quantum convolutional networks and also advances the field of quantum machine vision.
- Abstract（参考訳）: 量子畳み込み層(QCL)はその効率的なデータ特徴抽出能力のため、量子畳み込みニューラルネットワーク(QCNN)のコアの1つと考えられている。
しかし、現在のQCLの原理はブラックボックス構造のため古典的畳み込み層(CCL)ほど数学的には理解できない。
さらに、多くのQCLにおける古典的なデータマッピングは非効率である。
この目的のために、まず量子振幅エンコーディングとその逆数からなる量子共役畳み込み演算(QACO)は、フロベニウス内部積に基づく畳み込み演算の量子正規化と理論的に等価であることが示され、データの効率的なキャラクタリゼーションが達成される。
その後、QACOは量子位相推定(QPE)により量子随伴畳み込み層(QACL)に拡張され、全てのフロベニウス内部積を並列に計算する。
最後に、PennyLaneとTensorFlowプラットフォームで比較シミュレーション実験が行われ、主にQACLで修正および修正されていないカーネルの2つのケースを対象としている。
その結果、同じ画像に対する特別な量子特性の洞察を持つQACLは、MNISTとFashion MNISTの分類実験において、より高いトレーニング精度を提供するが、ある程度の学習性能を犠牲にすることを示した。
我々の研究は、効率的かつ解釈可能な量子畳み込みネットワークの開発の基礎を築き、量子マシンビジョンの分野も前進させた。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - 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) - Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。
両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。
実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
論文 参考訳（メタデータ） (2024-08-05T22:16:27Z) - Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
本稿では,量子回路実行の並列化モデルを提案する。
このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
論文 参考訳（メタデータ） (2024-06-05T17:16:07Z) - Multi-GPU-Enabled Hybrid Quantum-Classical Workflow in Quantum-HPC Middleware: Applications in Quantum Simulations [1.9922905420195367]
本研究では,革新的な分散型量子古典量子アーキテクチャを提案する。
最先端の量子ソフトウェアフレームワークを高性能な古典コンピューティングリソースと統合する。
物質と凝縮物質物理学の量子シミュレーションにおける課題に対処する。
論文 参考訳（メタデータ） (2024-03-09T07:38:45Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Estimating Phosphorescent Emission Energies in Ir(III) Complexes using
Large-Scale Quantum Computing Simulations [0.0]
9個のイリジウム錯体の遷移エネルギーの計算に、古典的ハードウェアに反復的クビット結合クラスタ(iQCC)法を適用した。
我々のシミュレーションでは、72個の完全連結かつ誤り訂正された論理量子ビットを持つゲートベースの量子コンピュータが必要である。
iQCC量子法は、微調整DFT関数の精度と一致し、ピアソン相関係数が良く、体系的な改善の可能性がまだ高い。
論文 参考訳（メタデータ） (2021-11-07T20:02:10Z) - 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) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳（メタデータ） (2021-04-21T13:26:42Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。