論文の概要: LSTM-QGAN: Scalable NISQ Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2409.02212v1
- Date: Tue, 3 Sep 2024 18:27:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-05 21:39:26.994293
- Title: LSTM-QGAN: Scalable NISQ Generative Adversarial Network
- Title(参考訳): LSTM-QGAN: Scalable NISQ Generative Adversarial Network
- Authors: Cheng Chu, Aishwarya Hastak, Fan Chen,
- Abstract要約: 現在の量子生成敵ネットワーク(QGAN)は、実用規模のデータに苦戦している。
本稿では,QGANアーキテクチャであるLSTM-QGANを提案する。
実験の結果,LSTM-QGANは最先端QGANモデルよりも性能とスケーラビリティを著しく向上させることがわかった。
- 参考スコア(独自算出の注目度): 3.596166341956192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current quantum generative adversarial networks (QGANs) still struggle with practical-sized data. First, many QGANs use principal component analysis (PCA) for dimension reduction, which, as our studies reveal, can diminish the QGAN's effectiveness. Second, methods that segment inputs into smaller patches processed by multiple generators face scalability issues. In this work, we propose LSTM-QGAN, a QGAN architecture that eliminates PCA preprocessing and integrates quantum long short-term memory (QLSTM) to ensure scalable performance. Our experiments show that LSTM-QGAN significantly enhances both performance and scalability over state-of-the-art QGAN models, with visual data improvements, reduced Frechet Inception Distance scores, and reductions of 5x in qubit counts, 5x in single-qubit gates, and 12x in two-qubit gates.
- Abstract(参考訳): 現在の量子生成敵ネットワーク(QGAN)は、実用規模のデータに苦戦している。
まず,多くのQGANが主成分分析(PCA)を用いて次元を減少させ,QGANの有効性を低下させる。
第二に、複数のジェネレータによって処理される小さなパッチに入力を分割するメソッドはスケーラビリティの問題に直面している。
そこで本研究では,PCA前処理を不要としたQGANアーキテクチャであるLSTM-QGANを提案する。
実験の結果、LSTM-QGANは最先端QGANモデルの性能とスケーラビリティを向上し、視覚データの改善、フレシェ・インセプション・ディスタンス(Frechet Inception Distance)スコアの低減、キュービット数5倍、単一キュービットゲート5倍、2キュービットゲート12倍の削減を実現した。
関連論文リスト
- Q-S5: Towards Quantized State Space Models [41.94295877935867]
状態空間モデル(SSM)はトランスフォーマーの強力な代替品として登場した。
本稿では,S5モデルに対する量子化の効果について検討し,そのモデル性能への影響について考察する。
論文 参考訳(メタデータ) (2024-06-13T09:53:24Z) - EfficientDM: Efficient Quantization-Aware Fine-Tuning of Low-Bit Diffusion Models [21.17675493267517]
ポストトレーニング量子化(PTQ)と量子化学習(QAT)は、拡散モデルを圧縮・加速する2つの主要なアプローチである。
我々は、PTQのような効率でQATレベルの性能を実現するために、EfficientDMと呼ばれる低ビット拡散モデルのためのデータフリーかつパラメータ効率の微調整フレームワークを導入する。
提案手法は, PTQに基づく拡散モデルにおいて, 同様の時間とデータ効率を保ちながら, 性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-10-05T02:51:53Z) - Single entanglement connection architecture between multi-layer bipartite Hardware Efficient Ansatz [18.876952671920133]
本稿では,二部構成のハードウェア効率向上のための単一絡み合い接続アーキテクチャ (SECA) を提案する。
本結果から,SECAの計算性能は,一般の完全絡み合い接続アーキテクチャ(FECA)よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-23T13:36:30Z) - ISAAQ: Ising Machine Assisted Quantum Compiler [3.8137985834223502]
我々はIsingマシンで量子ビットルーティングを行うためのISing mAchine Assisted Quantum compiler (ISAAQ)を提案する。
ISAAQは、以前のコンパイル結果を使って自分自身を更新することで、コンパイルコストを正確に見積もる。
ISAAQは、物理的に少ないCNOTゲートを持つ可換論理制御NOT(CNOT)ゲートを実装するコスト削減手法を利用する。
論文 参考訳(メタデータ) (2023-03-06T01:47:10Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳(メタデータ) (2022-03-26T20:37:14Z) - Compact representations of convolutional neural networks via weight
pruning and quantization [63.417651529192014]
本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。
我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
論文 参考訳(メタデータ) (2021-08-28T20:39:54Z) - 4-bit Quantization of LSTM-based Speech Recognition Models [40.614677908909705]
LSTMに基づく大規模アーキテクチャの2つのファミリにおける重みとアクティベーションの積極的低精度表現の影響について検討した。
量子化器と初期化器の適切な選択により、最小精度の損失が達成可能であることを示す。
論文 参考訳(メタデータ) (2021-08-27T00:59:52Z) - Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。
我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。
低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文 参考訳(メタデータ) (2020-11-29T03:53:49Z) - PAMS: Quantized Super-Resolution via Parameterized Max Scale [84.55675222525608]
深部畳み込みニューラルネットワーク(DCNN)は超解像処理(SR)において優位な性能を示した
本稿では,PAMS(Parameterized Max Scale)と呼ばれる新しい量子化手法を提案する。
実験により,提案手法はEDSRやRDNなどの既存のSRモデルを適切に圧縮・高速化できることが示された。
論文 参考訳(メタデータ) (2020-11-09T06:16:05Z) - Toward fast and accurate human pose estimation via soft-gated skip
connections [97.06882200076096]
本稿では,高精度かつ高効率な人間のポーズ推定について述べる。
我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。
本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
論文 参考訳(メタデータ) (2020-02-25T18:51:51Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳(メタデータ) (2020-02-03T04:11:13Z)
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。