Fugu-MT 論文翻訳(概要): Quantum-tunnelling deep neural network for optical illusion recognition

論文の概要: Quantum-tunnelling deep neural network for optical illusion recognition

arxiv url: http://arxiv.org/abs/2407.11013v2
Date: Sat, 22 Feb 2025 01:39:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-25 15:51:23.759104
Title: Quantum-tunnelling deep neural network for optical illusion recognition
Title（参考訳）: 光イリュージョン認識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: QTの効果を利用して情報を処理する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。人間のような錯覚を認識できるQT-DNNの能力を実証する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: The discovery of the quantum tunnelling (QT) 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 deep neural network (DNN) architecture that processes information using the effect of QT. I demonstrate the ability of QT-DNN to recognise optical illusions like a human. Tasking QT-DNN to simulate human perception of the Necker cube and Rubin's vase, I provide arguments in favour of the superiority of QT-based activation functions over the activation functions optimised for modern applications in machine vision, also showing that, at the fundamental level, QT-DNN is closely related to biology-inspired DNNs and models based on the principles of quantum information processing.
Abstract（参考訳）: 量子トンネル効果(QT)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、QTの効果を利用して情報を処理する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。私は、QT-DNNが人間のような錯覚を認識する能力を示した。ネッカーキューブとルービンの花瓶の人間の知覚をシミュレートするためにQT-DNNを課題とし、機械ビジョンの現代的な応用に最適化された活性化関数よりもQT-DNNの方が優れていることを支持する議論を行い、QT-DNNは生物学に触発されたDNNと量子情報処理の原理に基づくモデルと密接に関連していることを示す。

関連論文リスト

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)
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 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)
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。