論文の概要: Quantum-tunnelling deep neural networks for sociophysical neuromorphic AI

• arxiv url: http://arxiv.org/abs/2407.11013v1
• Date: Wed, 26 Jun 2024 13:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-07-22 12:29:47.732408
• Title: Quantum-tunnelling deep neural networks for sociophysical neuromorphic AI
• Title（参考訳）: 社会物理学的ニューロモーフィックAIのための量子トンネル型ディープニューラルネットワーク
• Authors: Ivan S. Maksymov,
• Abstract要約: 量子トンネル効果を利用して情報を処理する,新しいディープニューラルネットワークアーキテクチャを導入する。 量子トンネルDNN(QT-DNN)が人間のような錯覚を認識できることを実証する。 QT-DNNのハードウェア実装は、自動運転車への応用に適した安価でエネルギー効率の良いニューロモルフィックチップをもたらすことが期待されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of the quantum tunnelling effect -- the transmission of particles through a high potential barrier -- was one of the most impressive achievements of quantum mechanics made in the 1920s. Responding to the contemporary challenges, I introduce a novel deep neural network (DNN) architecture that processes information using the effect of quantum tunnelling. I demonstrate the ability of the quantum tunnelling DNN (QT-DNN) to recognise optical illusions like a human. Hardware implementation of QT-DNN is expected to result in an inexpensive and energy-efficient neuromorphic chip suitable for applications in autonomous vehicles. The optical illusions recognition tests developed in this paper should lay foundations for cognitive benchmarking tasks for AI systems of the future, benefiting the fields of sociophysics and behavioural science.
• Abstract（参考訳）: 量子トンネル効果の発見は、1920年代に行われた量子力学の最も印象的な成果の1つである。 現代の課題に対応して、量子トンネル効果を用いて情報を処理する新しいディープニューラルネットワーク(DNN)アーキテクチャを導入します。 量子トンネルDNN(QT-DNN)が人間のような錯覚を認識できることを実証する。 QT-DNNのハードウェア実装は、自動運転車への応用に適した安価でエネルギー効率の良いニューロモルフィックチップをもたらすことが期待されている。 本研究で開発された光学イリュージョン認識テストは、未来のAIシステムのための認知的ベンチマークタスクの基礎を築き、社会物理学や行動科学の分野に役立てるべきである。

関連論文リスト

• The inherent convolution property of quantum neural networks [1.799933345199395]
  量子ニューラルネットワーク(QNN)は、量子コンピューティングとディープラーニングの先駆的な交差点である。 我々はQNNに固有の基本的な畳み込み特性を明らかにし、量子状態における量子ゲート演算の自然な並列性から導かれる。 本稿では,QNNの畳み込み特性を明示的に活用する新しいQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-11T12:30:17Z)
• Shedding Light on the Future: Exploring Quantum Neural Networks through Optics [3.1935899800030096]
  量子ニューラルネットワーク(QNN)は、急速に発展する量子機械学習分野において、新興技術として重要な役割を果たす。 本稿では,QNNの概念とその物理的実現,特に量子光学に基づく実装について概説する。
  論文  参考訳（メタデータ） (2024-09-04T08:49:57Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Quantum-inspired activation functions and quantum Chebyshev-polynomial network [6.09437748873686]
  畳み込みニューラルネットワーク(CNN)に組み込まれた量子回路の機能的表現性について検討する。 我々は,量子活性化関数の特性に基づいて,ハイブリッド量子Chebyshev-polynomial Network (QCPN) を開発した。 この結果から,量子インスパイアされたアクティベーション関数は,高次学習能力を維持しながらモデル深度を低減できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-08T23:08:38Z)
• VIOLET: Visual Analytics for Explainable Quantum Neural Networks [6.3356849928129]
  VIOLETは、量子ニューラルネットワークの説明可能性を改善するための、新しいビジュアル分析手法である。 可視化ビューはAnsatz View, Feature View, Satellite chartの3つを開発した。 VOLETは2つのケーススタディと12のドメインエキスパートとの詳細なインタビューを通じて評価した。
  論文  参考訳（メタデータ） (2023-12-23T15:06:43Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
  量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。 提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。 交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
  論文  参考訳（メタデータ） (2021-06-19T04:37:39Z)
• 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)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum neural networks with deep residual learning [29.929891641757273]
  本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
  論文  参考訳（メタデータ） (2020-12-14T18:11:07Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• The power of quantum neural networks [3.327474729829121]
  しかし、短期的には、量子機械学習の利点はあまり明確ではない。 我々は、情報幾何学のツールを使用して、量子モデルと古典モデルの表現可能性の概念を定義します。 量子ニューラルネットワークは、同等の古典的ニューラルネットワークよりもはるかに優れた次元を達成可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-30T18:13:32Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• 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)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。