論文の概要: Quantum-Train Long Short-Term Memory: Application on Flood Prediction Problem

• arxiv url: http://arxiv.org/abs/2407.08617v1
• Date: Thu, 11 Jul 2024 15:56:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 16:50:17.840005
• Title: Quantum-Train Long Short-Term Memory: Application on Flood Prediction Problem
• Title（参考訳）: 量子トレイン長短期記憶:洪水予測問題への応用
• Authors: Chu-Hsuan Abraham Lin, Chen-Yu Liu, Kuan-Cheng Chen,
• Abstract要約: 本研究は、量子機械学習(QML)により訓練された予測長短期記憶(LSTM)モデルに量子トレイン(QT)技術を適用した。 QTテクニックは、QHack 2024のA Matter of Tasteチャレンジで最初に成功したもので、トレーニング可能なパラメータの数を古典的ニューラルネットワーク(NN)のパラメータ数の多対数関数に還元するためにQMLを活用する。 提案手法は,量子埋め込みを必要とせずに従来のデータを直接処理し,学習後の量子コンピューティングリソースとは独立に動作させる。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Flood prediction is a critical challenge in the context of climate change, with significant implications for ecosystem preservation, human safety, and infrastructure protection. In this study, we tackle this problem by applying the Quantum-Train (QT) technique to a forecasting Long Short-Term Memory (LSTM) model trained by Quantum Machine Learning (QML) with significant parameter reduction. The QT technique, originally successful in the A Matter of Taste challenge at QHack 2024, leverages QML to reduce the number of trainable parameters to a polylogarithmic function of the number of parameters in a classical neural network (NN). This innovative framework maps classical NN weights to a Hilbert space, altering quantum state probability distributions to adjust NN parameters. Our approach directly processes classical data without the need for quantum embedding and operates independently of quantum computing resources post-training, making it highly practical and accessible for real-world flood prediction applications. This model aims to improve the efficiency of flood forecasts, ultimately contributing to better disaster preparedness and response.
• Abstract（参考訳）: 洪水予測は気候変動の文脈において重要な課題であり、生態系の保全、人間の安全、インフラの保護に重大な影響を及ぼす。 本研究では,量子機械学習(QML)により学習された予測長短期記憶(LSTM)モデルに量子トレイン(QT)手法を適用し,パラメータの大幅な削減を図り,この問題に対処する。 QTテクニックは、QHack 2024のA Matter of Tasteチャレンジで成功したもので、トレーニング可能なパラメータの数を古典的ニューラルネットワーク(NN)のパラメータ数の多対数関数に還元するために、QMLを活用する。 この革新的なフレームワークは古典的NN重みをヒルベルト空間にマッピングし、量子状態確率分布を変化させてNNパラメータを調整する。 提案手法は, 量子埋め込みを必要とせずに, 従来のデータを直接処理し, トレーニング後の量子コンピューティングリソースとは独立に動作させることで, 実世界の洪水予測アプリケーションにおいて, 極めて実用的でアクセスしやすいものである。 このモデルは洪水予測の効率を向上させることを目的としており、最終的に災害対策と対応の改善に寄与する。

関連論文リスト

• Learning to Program Variational Quantum Circuits with Fast Weights [3.6881738506505988]
  本稿では,時間的あるいはシーケンシャルな学習課題に対する解決法として,QFWP(Quantum Fast Weight Programmers)を提案する。 提案したQFWPモデルは、量子リカレントニューラルネットワークの使用を必要とせずに、時間的依存関係の学習を実現する。 本研究では, 時系列予測とRLタスクにおいて, 提案したQFWPモデルの有効性を示す数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2024-02-27T18:53:18Z)
• Training Classical Neural Networks by Quantum Machine Learning [9.002305736350833]
  本研究では、量子系の指数的に大きなヒルベルト空間を利用する古典的ニューラルネットワーク(NN)のトレーニングスキームを提案する。 既存の量子機械学習(QML)法とは異なり、我々の手法を用いた量子コンピュータから得られた結果は、古典的なコンピュータで直接利用できる。
  論文  参考訳（メタデータ） (2024-02-26T10:16:21Z)
• 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)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Estimating Quantum Mutual Information Through a Quantum Neural Network [0.8988769052522807]
  量子相互情報ニューラル推定(QMINE)と呼ばれる量子機械学習の手法を提案する。 QMINEはフォン・ノイマンエントロピーと量子相互情報(英語版)を推定し、量子情報理論の基本的な性質である。 数値観測はQDVRの予測を支援し,QMINEの性能を実証する。
  論文  参考訳（メタデータ） (2023-06-26T10:26:45Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
  本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。 古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• 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)
• Quantum Optimization for Training Quantum Neural Networks [16.780058676633914]
  量子最適化アルゴリズムを利用して、特定のタスクに最適なQNNのパラメータを見つけるためのフレームワークを考案する。 ネットワークパラメータのヒルベルト空間における重ね合わせ状態の相対位相にQNNのコスト関数をコヒーレントに符号化する。
  論文  参考訳（メタデータ） (2021-03-31T13:06:30Z)
• FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits [105.54048699217668]
  任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。 FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。 本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
  論文  参考訳（メタデータ） (2021-03-15T17:38:33Z)

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。