論文の概要: Hybrid Quantum Downsampling Networks

• arxiv url: http://arxiv.org/abs/2405.16375v1
• Date: Sat, 25 May 2024 23:05:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-05-28 21:37:49.591248
• Title: Hybrid Quantum Downsampling Networks
• Title（参考訳）: ハイブリッド量子ダウンサンプリングネットワーク
• Authors: Yifeng Peng, Xinyi Li, Zhiding Liang, Ying Wang,
• Abstract要約: 我々は新しいハイブリッド量子サンプリングモジュール(HQD)を提案する。 HQDは、元の画像のキー特性が局所受容領域内で最大に保存されることを保証する。 全ての試験モデルの精度は平均3%向上し、様々な量子ノイズ条件下では最大ゆらぎはわずか0.4%であった。
• 参考スコア（独自算出の注目度）: 5.931953711154524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical max pooling plays a crucial role in reducing data dimensionality among various well-known deep learning models, yet it often leads to the loss of vital information. We proposed a novel hybrid quantum downsampling module (HQD), which is a noise-resilient algorithm. By integrating a substantial number of quantum bits (qubits), our approach ensures the key characteristics of the original image are maximally preserved within the local receptive field. Moreover, HQD provides unique advantages in the context of the noisy intermediate-scale quantum (NISQ) era. We introduce a unique quantum variational circuit in our design, utilizing rotating gates including RX, RY, RZ gates, and the controlled-NOT (CNOT) gate to explore nonlinear characteristics. The results indicate that the network architectures incorporating the HQD module significantly outperform the classical structures with max pooling in CIFAR-10 and CIFAR-100 datasets. The accuracy of all tested models improved by an average of approximately 3%, with a maximum fluctuation of only 0.4% under various quantum noise conditions.
• Abstract（参考訳）: 古典的な最大プーリングは、様々なよく知られたディープラーニングモデルにおいて、データの次元を減少させる上で重要な役割を担っている。 我々はノイズ耐性アルゴリズムである新しいハイブリッド量子サンプリングモジュール(HQD)を提案した。 かなりの数の量子ビット(量子ビット)を統合することで、我々のアプローチは、元の画像のキー特性が局所受容領域内で最大に保存されることを保証する。 さらにHQDは、ノイズの多い中間スケール量子(NISQ)時代のコンテキストにおいて、ユニークな利点を提供する。 我々は、RX、RY、RZゲート、制御NOT(CNOT)ゲートなどの回転ゲートを利用して、非線形特性を探索するユニークな量子変動回路を設計に導入する。 その結果、HQDモジュールを組み込んだネットワークアーキテクチャは、CIFAR-10とCIFAR-100データセットの最大プールにより、古典的な構造よりも大幅に優れていた。 全ての試験モデルの精度は平均3%向上し、様々な量子ノイズ条件下では最大ゆらぎはわずか0.4%であった。

関連論文リスト

• Quantum Large Language Model Fine-Tuning [1.118478900782898]
  大規模言語モデルファインチューニングのためのハイブリッド量子古典的ディープラーニングアーキテクチャを提案する。 アーキテクチャの古典的な部分は文変換器であり、感情予測のような複雑なタスクに対してかなりの精度を示すのに十分強力である。 比較対象の古典的ベースラインよりも予測精度が向上し,キュービット数の増加とともに精度が向上する傾向が見られた。
  論文  参考訳（メタデータ） (2025-04-11T17:57:35Z)
• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• HQCC: A Hybrid Quantum-Classical Classifier with Adaptive Structure [7.836610894905161]
  量子機械学習(QML)を進化させるハイブリッド量子古典(HQCC)を提案する。 HQCCはLong ShortTerm Memory (LSTM)駆動の動的回路生成器を通じて量子回路(PQC)を適応的に最適化する。 我々はMNISTとFashion MNISTのデータセットでシミュレーションを行い、97.12%の精度を達成した。
  論文  参考訳（メタデータ） (2025-04-02T22:49:00Z)
• EnQode: Fast Amplitude Embedding for Quantum Machine Learning Using Classical Data [4.329112531155235]
  古典的なデータを量子回路に符号化するためには、振幅埋め込み(AE)が量子機械学習(QML)に不可欠である。 本稿では,データセットのクラスタリングによる制限に対処するシンボリック表現に基づく高速AE手法EnQodeを紹介する。 データマッピングにおける90%以上の忠実さを持つEnQodeは、ノイズの多い中間スケール量子(NISQ)デバイス上で、堅牢で高性能なQMLを実現する。
  論文  参考訳（メタデータ） (2025-03-18T17:48:03Z)
• An Amplitude-Encoding-Based Classical-Quantum Transfer Learning framework: Outperforming Classical Methods in Image Recognition [8.971481563534537]
  本稿では,AE-CQTL(Amplence-encoding-based classical-quantum transfer learning)フレームワークを提案する。 AE-CQTLフレームワークをベースとして,Transfer Learning Quantum Neural Network (TLQNN)とTransfer Learning Quantum Convolutional Neural Network (TLQCNN)の2つのCQTLニューラルネットワークモデルの設計と実装を行った。
  論文  参考訳（メタデータ） (2025-02-27T15:20:01Z)
• Quantum Convolutional Neural Network: A Hybrid Quantum-Classical Approach for Iris Dataset Classification [0.0]
  本稿では,4量子ビット量子回路と古典的ニューラルネットワークを組み合わせた,分類タスクのためのハイブリッド量子古典型機械学習モデルを提案する。 このモデルは20エポック以上で訓練され、16エポックに設定されたIrisデータセットテストで100%の精度を達成した。 この研究は、ハイブリッド量子古典モデルの研究の活発化と、実際のデータセットへの適用性に寄与する。
  論文  参考訳（メタデータ） (2024-10-21T13:15:12Z)
• Compact Multi-Threshold Quantum Information Driven Ansatz For Strongly Interactive Lattice Spin Models [0.0]
  近似量子相互情報(QMI)に基づくアンザッツ建築の体系的手順を提案する。 提案手法は,QMI値に基づいて各層の量子ビット対が選択される層状アンサッツを生成し,より効率的な状態生成と最適化ルーチンを実現する。 その結果,Multi-QIDA法は高い精度を維持しながら計算複雑性を低減し,格子スピンモデルにおける量子シミュレーションに有望なツールであることがわかった。
  論文  参考訳（メタデータ） (2024-08-05T17:07:08Z)
• 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)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Toward Consistent High-fidelity Quantum Learning on Unstable Devices via Efficient In-situ Calibration [5.0854551390284]
  近未来の雑音型中間スケール量子(NISQ)時代には、高ノイズは量子コンピューティングの忠実度を著しく低下させる。 本稿では,量子パルスに基づく新しい雑音適応フレームワークQuPADを提案する。 実験により、8-10キュービットのQuPADの量子デバイス上でのランタイムは15分未満であり、パラメータシフトアプローチよりも最大270倍高速であることが示された。
  論文  参考訳（メタデータ） (2023-09-12T15:39:06Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding [44.89303833148191]
  我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。 本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。 画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
  論文  参考訳（メタデータ） (2022-12-04T03:18:03Z)
• SDQ: Stochastic Differentiable Quantization with Mixed Precision [46.232003346732064]
  本稿では,MPQ戦略を自動的に学習できる新しい微分可能量子化(SDQ)手法を提案する。 最適なMPQ戦略が得られた後、エントロピーを意識したビン正規化と知識蒸留でネットワークを訓練する。 SDQは、最先端の混合データセット、または低いビット幅で単一精度の量子化よりも優れている。
  論文  参考訳（メタデータ） (2022-06-09T12:38:18Z)
• A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
  本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。 私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。 実際の量子コンピュータを用いて得られた結果について述べる。
  論文  参考訳（メタデータ） (2022-01-25T05:59:24Z)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits [26.130594925642143]
  ノイズノイズは、NISQ(Noisy Intermediate-Scale Quantum)コンピュータにおける鍵となる課題である。 可変回路と量子ビットマッピングのノイズ適応型共同研究のための,最初の包括的なフレームワークであるQuantumNASを提案し,実験的に実装した。 QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて証明した。
  論文  参考訳（メタデータ） (2021-07-22T17:58:13Z)
• Towards fully-fledged quantum and classical communication over deployed fiber with up-conversion module [47.187609203210705]
  本稿では,古典光とQKD信号の共伝搬のためのアップコンバージョン支援受信機に基づく新しい手法を提案し,実証する。 提案手法は,従来の受信機に比べて高い耐雑音性を示し,従来の4dB高電力条件下での秘密鍵の分配を可能にする。
  論文  参考訳（メタデータ） (2021-06-09T13:52:27Z)
• 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)
• Minimum Hardware Requirements for Hybrid Quantum-Classical DMFT [2.7648976108201815]
  2サイトハイブリッド量子-古典力学平均場理論(DMFT)の最小ハードウェア要件を決定するため、ノイズのある中間スケール量子(NISQ)デバイスを数値的にエミュレートする。 我々は,DMFTアルゴリズムの量子ゲート数を著しく減少させる回路再コンパイルアルゴリズムを開発し,量子古典的アルゴリズムが2量子ゲートの忠実度が99%以上であれば収束することを示した。
  論文  参考訳（メタデータ） (2020-02-11T19:00:00Z)

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。