論文の概要: Subspace Preserving Quantum Convolutional Neural Network Architectures

• arxiv url: http://arxiv.org/abs/2409.18918v1
• Date: Fri, 27 Sep 2024 17:04:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-01 07:51:30.130502
• Title: Subspace Preserving Quantum Convolutional Neural Network Architectures
• Title（参考訳）: 量子畳み込みニューラルネットワークアーキテクチャのサブスペース保存
• Authors: Léo Monbroussou, Jonas Landman, Letao Wang, Alex B. Grilo, Elham Kashefi,
• Abstract要約: サブスペース保存量子回路 (Subspace Preserving quantum circuits) は、計算においていくつかの対称性に依存する量子アルゴリズムのクラスである。 本稿では,ハミング重み保存量子回路に基づく新しい畳み込みネットワークモデルを提案する。 我々の提案は、古典的なディープラーニングアーキテクチャよりも実行時間のアドバンテージを提供する。
• 参考スコア（独自算出の注目度）: 3.0017241250121387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subspace preserving quantum circuits are a class of quantum algorithms that, relying on some symmetries in the computation, can offer theoretical guarantees for their training. Those algorithms have gained extensive interest as they can offer polynomial speed-up and can be used to mimic classical machine learning algorithms. In this work, we propose a novel convolutional neural network architecture model based on Hamming weight preserving quantum circuits. In particular, we introduce convolutional layers, and measurement based pooling layers that preserve the symmetries of the quantum states while realizing non-linearity using gates that are not subspace preserving. Our proposal offers significant polynomial running time advantages over classical deep-learning architecture. We provide an open source simulation library for Hamming weight preserving quantum circuits that can simulate our techniques more efficiently with GPU-oriented libraries. Using this code, we provide examples of architectures that highlight great performances on complex image classification tasks with a limited number of qubits, and with fewer parameters than classical deep-learning architectures.
• Abstract（参考訳）: サブスペース保存量子回路(Subspace Preserving quantum circuits)は、量子アルゴリズムのクラスであり、計算におけるいくつかの対称性に依存して、理論的な保証を与えることができる。 これらのアルゴリズムは多項式スピードアップを提供し、古典的な機械学習アルゴリズムを模倣するのに利用できるため、広く関心を集めている。 本研究では,ハミング重み保存量子回路に基づく新しい畳み込みニューラルネットワークアーキテクチャモデルを提案する。 特に、畳み込み層と、量子状態の対称性を保ちながら、部分空間保存しないゲートを用いて非線形性を実現した測定に基づくプール層を導入する。 提案手法は,古典的なディープラーニングアーキテクチャよりも多項式実行時間の方が優れている。 我々は、GPU指向のライブラリで我々の技術をより効率的にシミュレートできる、ハミング重み保存量子回路のためのオープンソースのシミュレーションライブラリを提供する。 このコードを用いて、複雑な画像分類タスクにおいて、量子ビット数に制限があり、古典的なディープラーニングアーキテクチャよりも少ないパラメータで優れた性能を示すアーキテクチャの例を示す。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• 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)
• Learning To Optimize Quantum Neural Network Without Gradients [3.9848482919377006]
  本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。 我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-15T01:09:12Z)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Quantum compression with classically simulatable circuits [0.5735035463793007]
  本稿では,量子情報を低次元表現に変換する進化的アルゴリズムを用いて,量子オートエンコーダを設計する戦略を提案する。 量子状態の異なる族を圧縮するアルゴリズムの初期応用を実証した。 このアプローチは、計算資源の少ない量子データの低表現を見つけるために古典論理を用いる可能性を開く。
  論文  参考訳（メタデータ） (2022-07-06T20:36:10Z)
• Towards near-term quantum simulation of materials [0.47780641233738846]
  多くの量子シミュレーションアルゴリズムは、ハミルトニアンにおいて各項によって生成されるユニタリ進化の層に依存している。 本稿では, 層の深さがシステムサイズに依存しない材料モデリングのための新しい量子アルゴリズムを提案する。 本稿では,本手法の回路コストを分析し,密度汎関数理論データを量子回路命令に変換するコンパイラを提案する。
  論文  参考訳（メタデータ） (2022-05-30T17:07:00Z)
• Feasible Architecture for Quantum Fully Convolutional Networks [4.849886707973093]
  本稿では,ノイズの多い中間規模量子デバイス上で動作可能な,実現可能な純粋量子アーキテクチャを提案する。 本研究は、純粋量子完全畳み込みネットワークのトレーニングを成功させ、それをハイブリッドソリューションと比較することで利点を論じるものである。
  論文  参考訳（メタデータ） (2021-10-05T01:06:54Z)
• Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
  時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。 一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。 幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
  論文  参考訳（メタデータ） (2021-04-01T19:06:00Z)
• 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)
• Realising and compressing quantum circuits with quantum reservoir computing [2.834895018689047]
  量子ノードのランダムネットワークが量子コンピューティングの堅牢なハードウェアとしてどのように使用できるかを示す。 我々のネットワークアーキテクチャは、量子ノードの単一層のみを最適化することで量子演算を誘導する。 数量子状態においては、量子回路内の複数の量子ゲートのシーケンスは単一の演算で圧縮することができる。
  論文  参考訳（メタデータ） (2020-03-21T03:29:16Z)

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。