論文の概要: Method for noise-induced regularization in quantum neural networks

• arxiv url: http://arxiv.org/abs/2410.19921v1
• Date: Fri, 25 Oct 2024 18:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:19:52.894540
• Title: Method for noise-induced regularization in quantum neural networks
• Title（参考訳）: 量子ニューラルネットワークにおける雑音誘起正則化法
• Authors: Wilfrid Somogyi, Ekaterina Pankovets, Viacheslav Kuzmin, Alexey Melnikov,
• Abstract要約: 量子ハードウェアにおけるノイズレベルを効果的に調整することで、量子ニューラルネットワークがデータを一般化する能力を高めることができることを示す。 例えば,回路のノイズレベルを調整することで,平均2乗誤差損失を8%改善する医療レグレッションタスクを考える。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the current quantum computing paradigm, significant focus is placed on the reduction or mitigation of quantum decoherence. When designing new quantum processing units, the general objective is to reduce the amount of noise qubits are subject to, and in algorithm design, a large effort is underway to provide scalable error correction or mitigation techniques. Yet some previous work has indicated that certain classes of quantum algorithms, such as quantum machine learning, may, in fact, be intrinsically robust to or even benefit from the presence of a small amount of noise. Here, we demonstrate that noise levels in quantum hardware can be effectively tuned to enhance the ability of quantum neural networks to generalize data, acting akin to regularisation in classical neural networks. As an example, we consider a medical regression task, where, by tuning the noise level in the circuit, we improved the mean squared error loss by 8%.
• Abstract（参考訳）: 現在の量子コンピューティングパラダイムでは、量子デコヒーレンスの削減や緩和に重点を置いている。 新しい量子処理ユニットを設計する場合、一般的な目的はノイズキュービットの量を減らすことであり、アルゴリズム設計では、スケーラブルな誤り訂正や緩和技術を提供するために、大きな努力が進行中である。 しかし、いくつかの以前の研究は、量子機械学習のような特定の量子アルゴリズムのクラスが、実際は、少量のノイズの存在によって本質的に堅牢であるか、あるいは恩恵を受ける可能性があることを示唆している。 ここでは、量子ハードウェアのノイズレベルを効果的に調整することで、古典的ニューラルネットワークの正規化と同じような形で、量子ニューラルネットワークがデータを一般化する能力を高めることを実証する。 例えば,回路のノイズレベルを調整することで,平均2乗誤差損失を8%改善する医療レグレッションタスクを考える。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• 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)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum State Reconstruction in a Noisy Environment via Deep Learning [0.9012198585960443]
  未知のノイズチャネルによって崩壊した量子状態の再構成と分類のタスクについて検討する。 このような手法が,99%以上の忠実度で回復できることを示す。 また、異なる量子ノイズチャネルを区別するタスクも検討し、ニューラルネットワークベースの分類器が、そのような分類問題を正確な精度で解決できることを示す。
  論文  参考訳（メタデータ） (2023-09-21T10:03:30Z)
• 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)
• Stabilization and Dissipative Information Transfer of a Superconducting Kerr-Cat Qubit [0.0]
  そこで我々は,Cat-Qubitと呼ばれる量子ビットモデルへの消散情報伝達について検討した。 このモデルは、二項量子分類の散逸に基づくバージョンにとって特に重要である。 Cat-Qubitアーキテクチャは、人工ニューラルネットワークでアクティベーションライクな機能を実装できる可能性がある。
  論文  参考訳（メタデータ） (2023-07-23T11:28:52Z)
• 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)
• Taking advantage of noise in quantum reservoir computing [0.0]
  量子雑音は量子貯水池計算の性能向上に有効であることを示す。 我々の結果は量子デバイスの基礎となる物理的なメカニズムに新たな光を当てた。
  論文  参考訳（メタデータ） (2023-01-17T11:22:02Z)
• Impact of quantum noise on the training of quantum Generative Adversarial Networks [0.0]
  我々は、異なる種類の量子ノイズが存在する場合の量子生成逆数ネットワーク(qGAN)の性能について、最初の研究を行う。 特に,qGAN学習過程におけるリードアウトと2ビットゲート誤差の影響について検討する。
  論文  参考訳（メタデータ） (2022-03-02T10:35:34Z)
• Achieving fault tolerance against amplitude-damping noise [1.7289359743609742]
  我々は,振幅減衰雑音の存在下で,フォールトトレラントな量子コンピューティングコンポーネントのプロトコルを開発する。 フォールトトレラントなエンコードガジェットの集合を記述し、ノイズの擬似閾値を計算する。 我々の研究は、量子フォールトトレランスのアイデアをターゲット雑音モデルに適用する可能性を実証している。
  論文  参考訳（メタデータ） (2021-07-12T14:59:54Z)

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。