Fugu-MT 論文翻訳(概要): OrganiQ: Mitigating Classical Resource Bottlenecks of Quantum Generative Adversarial Networks on NISQ-Era Machines

論文の概要: OrganiQ: Mitigating Classical Resource Bottlenecks of Quantum Generative Adversarial Networks on NISQ-Era Machines

arxiv url: http://arxiv.org/abs/2409.19823v1
Date: Sun, 29 Sep 2024 23:11:35 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 17:29:56.113821
Title: OrganiQ: Mitigating Classical Resource Bottlenecks of Quantum Generative Adversarial Networks on NISQ-Era Machines
Title（参考訳）: OrganiQ: NISQ-Eraマシン上での量子生成逆数ネットワークの古典的リソース基盤のマイグレーション
Authors: Daniel Silver, Tirthak Patel, Aditya Ranjan, William Cutler, Devesh Tiwari,
Abstract要約: OrganiQは、古典的なニューラルネットワークを使わずに高品質な画像を生成できる最初の量子GANである。従来のニューラルネットワークを使わずに高品質な画像を生成できる最初の量子GANであるOrganiQを紹介する。
参考スコア（独自算出の注目度）: 9.656866938009484
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Driven by swift progress in hardware capabilities, quantum machine learning has emerged as a research area of interest. Recently, quantum image generation has produced promising results. However, prior quantum image generation techniques rely on classical neural networks, limiting their quantum potential and image quality. To overcome this, we introduce OrganiQ, the first quantum GAN capable of producing high-quality images without using classical neural networks.
Abstract（参考訳）: ハードウェア能力の急速な進歩によって、量子機械学習は研究分野として注目されている。近年、量子画像生成は有望な結果を生み出している。しかし、従来の量子画像生成技術は古典的なニューラルネットワークに依存しており、量子ポテンシャルと画質を制限している。そこで我々は,従来のニューラルネットワークを使わずに高品質な画像を生成可能な,最初の量子GANであるOrganiQを紹介する。

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)
MosaiQ: Quantum Generative Adversarial Networks for Image Generation on NISQ Computers [9.537660328139038]
MosaiQは高品質な量子画像生成GANフレームワークである。現在のNISQ(Near-term Intermediate Scale Quantum)コンピュータで実行することができる。
論文参考訳（メタデータ） (2023-08-22T00:40:37Z)
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)
Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。機械学習の観点からQGLMの現状を概観する。従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文参考訳（メタデータ） (2022-06-07T07:32:57Z)
Quantum Deep Learning: Sampling Neural Nets with a Quantum Annealer [0.0]
本稿では,量子処理ユニット上での高解像度画像分類のための2つのハードルを克服する手法を提案する。我々は、畳み込みニューラルネットワークをQPUに転送し、少なくとも1桁の分類スピードアップの可能性を示した。
論文参考訳（メタデータ） (2021-07-19T09:35:02Z)
A Quantum Convolutional Neural Network for Image Classification [7.745213180689952]
量子畳み込みニューラルネットワーク(QCNN)という新しいニューラルネットワークモデルを提案する。 QCNNは実装可能な量子回路に基づいており、古典的畳み込みニューラルネットワークと同様の構造を持つ。 MNISTデータセットの数値シミュレーションにより,本モデルの有効性が示された。
論文参考訳（メタデータ） (2021-07-08T06:47:34Z)
Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文参考訳（メタデータ） (2021-04-30T20:38:41Z)
Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文参考訳（メタデータ） (2020-12-07T18:51:28Z)
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)
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)

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。