論文の概要: Patch-Based End-to-End Quantum Learning Network for Reduction and Classification of Classical Data
- arxiv url: http://arxiv.org/abs/2409.15214v1
- Date: Mon, 23 Sep 2024 16:58:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 14:02:53.153123
- Title: Patch-Based End-to-End Quantum Learning Network for Reduction and Classification of Classical Data
- Title（参考訳）: 古典データの削減と分類のためのパッチベースエンドツーエンド量子学習ネットワーク
- Authors: Jishnu Mahmud, Shaikh Anowarul Fattah,
- Abstract要約: ノイズの多い中間スケール量子(NISQ)時代には、量子デコヒーレンス、クロストーク、不完全校正による誤差により、量子ビットの制御が制限される。
量子ネットワークによって処理される場合,画像などの大規模古典データのサイズを小さくする必要がある。
本稿では、このようなデータ削減を回避するために、古典的な注意機構を持つ動的パッチベースの量子ドメインデータ削減ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 0.22099217573031676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the noisy intermediate scale quantum (NISQ) era, the control over the qubits is limited due to the errors caused by quantum decoherence, crosstalk, and imperfect calibration. Hence, it is necessary to reduce the size of the large-scale classical data, such as images, when they are to be processed by quantum networks. Conventionally input classical data are reduced in the classical domain using classical networks such as autoencoders and, subsequently, analyzed in the quantum domain. These conventional techniques involve training an enormous number of parameters, making them computationally costly. In this paper, a dynamic patch-based quantum domain data reduction network with a classical attention mechanism is proposed to avoid such data reductions, and subsequently coupled with a novel quantum classifier to perform classification tasks. The architecture processes the classical data sequentially in patches and reduces them using a quantum convolutional-inspired reduction network and further enriches them using a self-attention technique, which utilizes a classical mask derived from simple statistical operations on the native classical data, after measurement. The reduced representation is passed through a quantum classifier, which re-encodes it into quantum states, processes them through quantum ansatzes, and finally measures them to predict classes. This training process involves a joint optimization scheme that considers both the reduction and classifier networks, making the reduction operation dynamic. The proposed architecture has been extensively tested on the publicly available Fashion MNIST dataset, and it has excellent classification performance using significantly reduced training parameters.
- Abstract（参考訳）: ノイズの多い中間スケール量子(NISQ)時代には、量子デコヒーレンス、クロストーク、不完全校正による誤差により、量子ビットの制御が制限される。
したがって、量子ネットワークによって処理される場合、画像などの大規模な古典データのサイズを減らす必要がある。
従来入力された古典データは、オートエンコーダなどの古典的ネットワークを用いて古典的ドメインで還元され、その後量子領域で解析される。
これらの手法は膨大な数のパラメータを訓練することを含み、計算コストがかかる。
本稿では、このようなデータ削減を回避するために、古典的な注意機構を持つ動的パッチベースの量子ドメインデータ削減ネットワークを提案し、その後、新しい量子分類器と結合して分類タスクを行う。
このアーキテクチャは、古典的データをパッチで逐次処理し、量子畳み込みにインスパイアされた還元ネットワークを使用してそれらを削減し、測定後のネイティブな古典的データに対する単純な統計操作から派生した古典的マスクを使用する自己保持技術を用いてそれらをさらに強化する。
還元された表現は量子分類器に渡され、量子状態に再エンコードされ、量子アンサーゼを通して処理され、最終的にクラスを予測するためにそれらを測定する。
このトレーニングプロセスは、リダクションとクラシファイアネットワークの両方を考慮し、リダクション操作を動的にするジョイント最適化スキームを含む。
提案アーキテクチャは、Fashion MNISTデータセットで広くテストされており、トレーニングパラメータを大幅に削減して、優れた分類性能を有する。
関連論文リスト
- Enhancing the performance of Variational Quantum Classifiers with hybrid autoencoders [0.0]
本稿では,特定の量子埋め込みを考慮し,与えられたデータセットの次元性を低減する方法を提案する。
この方法は、VQCを用いた量子機械学習をより汎用的で高次元のデータセットに効果的にすることを目的としている。
論文 参考訳（メタデータ） (2024-09-05T08:51:20Z) - Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。
両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。
実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
論文 参考訳（メタデータ） (2024-08-05T22:16:27Z) - Synergy between noisy quantum computers and scalable classical deep learning [0.4999814847776097]
雑音量子コンピュータの計算能力と古典的スケーラブル畳み込みニューラルネットワーク(CNN)の組み合わせの可能性について検討する。
目標は、量子イジングモデルのトロッター分解力学を表すパラメータ化量子回路の正確な期待値を正確に予測することである。
量子情報のおかげで、古典的な記述子のみに基づく教師あり学習が失敗しても、私たちのCNNは成功します。
論文 参考訳（メタデータ） (2024-04-11T14:47:18Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Bridging Classical and Quantum Machine Learning: Knowledge Transfer From
Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。
我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。
量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
論文 参考訳（メタデータ） (2023-11-23T05:06:43Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳（メタデータ） (2023-01-27T08:16:26Z) - Quantum-Classical Hybrid Information Processing via a Single Quantum
System [1.1602089225841632]
量子ベースの通信における現在の技術は、ハイブリッド処理のための古典的なデータと量子データの新たな統合をもたらす。
本稿では,古典的入力と量子的入力の両方を必要とする計算タスクにおいて,量子力学を利用する量子貯水池プロセッサを提案する。
論文 参考訳（メタデータ） (2022-09-01T14:33:40Z) - Learning Representations for CSI Adaptive Quantization and Feedback [51.14360605938647]
本稿では,周波数分割二重化システムにおける適応量子化とフィードバックの効率的な手法を提案する。
既存の研究は主に、CSI圧縮のためのオートエンコーダ(AE)ニューラルネットワークの実装に焦点を当てている。
1つはポストトレーニング量子化に基づくもので、もう1つはAEのトレーニング中にコードブックが見つかる方法である。
論文 参考訳（メタデータ） (2022-07-13T08:52:13Z) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳（メタデータ） (2021-09-05T15:15:07Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳（メタデータ） (2020-10-21T09:46:12Z)
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。