論文の概要: Non-linear classification capability of quantum neural networks due to emergent quantum metastability

• arxiv url: http://arxiv.org/abs/2408.10765v1
• Date: Tue, 20 Aug 2024 12:01:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 13:55:03.934427
• Title: Non-linear classification capability of quantum neural networks due to emergent quantum metastability
• Title（参考訳）: 創発的量子メタスタビリティによる量子ニューラルネットワークの非線形分類能力
• Authors: Mario Boneberg, Federico Carollo, Igor Lesanovsky,
• Abstract要約: 量子ニューラルネットワークで有効な非線形性を実現することができることを示す。 分散多体量子スピンモデルにインスパイアされたアーキテクチャを持つ量子ニューラルネットワークを用いることで、このメカニズムが実際に非線形データ分類を実現することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The power and expressivity of deep classical neural networks can be attributed to non-linear input-output relations. Such non-linearities are at the heart of many computational tasks, such as data classification and pattern recognition. Quantum neural networks, on the other hand, are necessarily linear as they process information via unitary operations. Here we show that effective non-linearities can be implemented in these platforms by exploiting the relationship between information processing and many-body quantum dynamics. The crucial point is that quantum many-body systems can show emergent collective behavior in the vicinity of phase transitions, which leads to an effectively non-linear dynamics in the thermodynamic limit. In the context of quantum neural networks, which are necessarily finite, this translates into metastability with transient non-ergodic behavior. By using a quantum neural network whose architecture is inspired by dissipative many-body quantum spin models, we show that this mechanism indeed allows to realize non-linear data classification, despite the underlying dynamics being local and linear. Our proof-of-principle study may pave the way for the systematic construction of quantum neural networks with emergent non-linear properties.
• Abstract（参考訳）: ディープ・クラシック・ニューラルネットワークのパワーと表現性は非線形の入出力関係に起因する。 このような非線形性は、データ分類やパターン認識など、多くの計算タスクの中心にある。 一方、量子ニューラルネットワークは、ユニタリ演算を通じて情報を処理するため、必ずしも線形である。 ここでは、情報処理と多体量子力学の関係を利用して、これらのプラットフォームで効果的な非線形性を実現することができることを示す。 重要な点は、量子多体系が相転移の近傍で創発的な集団的挙動を示し、熱力学の極限において実質的に非線形のダイナミクスをもたらすことである。 必然的に有限である量子ニューラルネットワークの文脈では、これは過渡的な非エルゴード的振る舞いを伴う転移性に変換される。 分散多体量子スピンモデルに触発されたアーキテクチャを持つ量子ニューラルネットワークを用いることで、基礎となるダイナミクスが局所的かつ線形であるにもかかわらず、このメカニズムが実際に非線形データ分類を実現することができることを示す。 我々の実証・実証研究は、創発的な非線形特性を持つ量子ニューラルネットワークの体系的な構築の道を開くかもしれない。

関連論文リスト

• A neural processing approach to quantum state discrimination [0.2796197251957245]
  量子信号の非線形処理は、しばしば非イデアル性や余剰ノイズと関連付けられる。 本稿では,幅広いボゾン量子非線形プロセッサの一般量子信号処理原理を明らかにする枠組みを提案する。 我々の研究は、非線形量子システムを汎用デバイスとして活用するための経路を提供し、非線形量子情報処理の新しいパラダイムを可能にする。
  論文  参考訳（メタデータ） (2024-09-05T17:58:27Z)
• Quantum reservoir computing on random regular graphs [0.0]
  量子貯水池コンピューティング(QRC)は、入力駆動多体量子システムと古典的な学習技術を組み合わせた低複雑性学習パラダイムである。 我々は、情報局在化、動的量子相関、および乱れハミルトニアンの多体構造について研究する。 そこで本研究では、乱れたアナログ量子学習プラットフォームの最適設計のためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-09-05T16:18:03Z)
• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• 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)
• Information-driven Nonlinear Quantum Neuron [0.0]
  本研究では,オープン量子システムとして動作するハードウェア効率の高い量子ニューラルネットワークを提案する。 入力量子情報のパラメトリゼーションが容易な繰り返し相互作用に基づくこの散逸モデルが、微分可能非線形活性化関数を示すことを示す。
  論文  参考訳（メタデータ） (2023-07-18T07:12:08Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• 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)
• Nonlinear Quantum Neuron: A Fundamental Building Block for Quantum Neural Networks [5.067768639196139]
  量子コンピューティングにより、量子ニューラルネットワーク(QNN)は、人工ニューラルネットワーク(ANN)を超える大きな可能性を持つ。 QNNに関連する様々なモデルが開発されているが、ニューラルネットワークの非線形で散逸的なダイナミクスを線形でユニタリな量子システムにマージするという課題に直面している。 非線形関数を近似するために異なる量子回路を構築し、任意の非線形量子ニューロンを実現するための一般化可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-06T15:25:52Z)
• Probing Criticality in Quantum Spin Chains with Neural Networks [0.0]
  隠れた層を持たないニューラルネットワークでさえ、磁気秩序と乱れ相の区別を効果的に訓練できることが示される。 我々の結果は、相互作用する量子多体系の幅広いクラスに拡張され、多体量子物理学へのニューラルネットワークの広範な適用性を示す。
  論文  参考訳（メタデータ） (2020-05-05T12:34:50Z)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)
• 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。