論文の概要: Predicting quantum learnability from landscape fluctuation

• arxiv url: http://arxiv.org/abs/2406.11805v2
• Date: Thu, 14 Nov 2024 16:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:21:29.748696
• Title: Predicting quantum learnability from landscape fluctuation
• Title（参考訳）: ランドスケープ変動による量子学習可能性の予測
• Authors: Hao-Kai Zhang, Chenghong Zhu, Xin Wang,
• Abstract要約: トレーニング容易性と表現可能性の衝突は、変分量子コンピューティングと量子機械学習における重要な課題である。 与えられた学習環境のゆらぎを学習可能な標準的な景観と比較することにより,学習可能性の簡易かつ効率的な指標を示す。 クリーフォードサンプリング(Clifford sample)は、量子デバイスを実際に訓練することなく、古典的なコンピュータ上で効率的に推定できる。
• 参考スコア（独自算出の注目度）: 4.852613028421959
• License:
• Abstract: The conflict between trainability and expressibility is a key challenge in variational quantum computing and quantum machine learning. Resolving this conflict necessitates designing specific quantum neural networks (QNN) tailored for specific problems, which urgently needs a general and efficient method to predict the learnability of QNNs without costly training. In this work, we demonstrate a simple and efficient metric for learnability by comparing the fluctuations of the given training landscape with standard learnable landscapes. This metric shows surprising effectiveness in predicting learnability as it unifies the effects of insufficient expressibility, barren plateaus, bad local minima, and overparametrization. Importantly, it can be estimated efficiently on classical computers via Clifford sampling without actual training on quantum devices. We conduct extensive numerical experiments to validate its effectiveness regarding physical and random Hamiltonians. We also prove a compact lower bound for the metric in locally scrambled circuits as analytical guidance. Our findings enable efficient predictions of learnability, allowing fast selection of suitable QNN architectures for a given problem without training, which can greatly improve the efficiency especially when access to quantum devices is limited.
• Abstract（参考訳）: トレーニング容易性と表現可能性の対立は、変分量子コンピューティングと量子機械学習における重要な課題である。 この対立を解決するには、特定の問題に適した特定の量子ニューラルネットワーク(QNN)の設計が必要である。 本研究では,与えられた学習環境のゆらぎを学習可能な標準的な景観と比較することにより,学習可能性の簡易かつ効率的な指標を示す。 この指標は, 不十分な表現性, 不毛な台地, 悪い局所最小値, 過度なパラメトリゼーションの効果を統一することにより, 学習可能性の予測に驚くべき効果を示す。 重要なことは、量子デバイスでの実際のトレーニングなしで、Cliffordサンプリングを通じて、古典的なコンピュータ上で効率的に推定することができることである。 我々は、物理およびランダムハミルトニアンに関するその有効性を検証するために、広範な数値実験を行う。 また、局所スクランブル回路における計量のコンパクトな下界を解析的ガイダンスとして証明する。 本研究は,学習可能性の効率的な予測を可能にし,与えられた問題に対する適切なQNNアーキテクチャの迅速な選択を可能にし,特に量子デバイスへのアクセスが制限された場合の効率を大幅に向上させることができる。

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)
• Entanglement-induced provable and robust quantum learning advantages [0.0]
  我々は、表現性、推論速度、トレーニング効率の観点から、ノイズロストで無条件の量子学習の利点を厳格に確立する。 我々の証明は情報理論であり、この優位性の起源を示唆している。
  論文  参考訳（メタデータ） (2024-10-04T02:39:07Z)
• 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)
• Training-efficient density quantum machine learning [2.918930150557355]
  量子機械学習は強力でフレキシブルで効率的にトレーニング可能なモデルを必要とする。 トレーニング可能なユニタリの集合にランダム化を組み込んだ学習モデルである密度量子ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T16:40:28Z)
• 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)
• Statistical Analysis of Quantum State Learning Process in Quantum Neural Networks [4.852613028421959]
  量子ニューラルネットワーク(QNN)は、短期的な量子優位を追求する上で有望なフレームワークである。 高忠実な初期状態から始まるQNNを用いて未知の量子状態を学ぶためのノーゴー定理を開発する。
  論文  参考訳（メタデータ） (2023-09-26T14:54:50Z)
• Splitting and Parallelizing of Quantum Convolutional Neural Networks for Learning Translationally Symmetric Data [0.0]
  分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。 量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。 本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-12T18:00:08Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。