論文の概要: QUEST-A: Untrained Filtering with Trained Focusing led to Enhanced Quantum Architectures

• arxiv url: http://arxiv.org/abs/2410.23560v1
• Date: Thu, 31 Oct 2024 01:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:01:27.728764
• Title: QUEST-A: Untrained Filtering with Trained Focusing led to Enhanced Quantum Architectures
• Title（参考訳）: QUEST-A: トレーニングされた焦点付き非トレーニングフィルタリングは量子アーキテクチャの強化につながった
• Authors: Lian-Hui Yu, Xiao-Yu Li, Geng Chen, Qin-Sheng Zhu, Hui Li, Guo-Wu Yang,
• Abstract要約: 量子アーキテクチャサーチ(QAS)は、量子機械学習における根本的な課題である。 本研究は、QASを最適回路構造検索とパラメータ最適化という2つの代替解サブプロブレムに分解する。 本稿では,QUEST-A(Quantum Untrained-Explored Synergistic Trained Architecture)を提案する。
• 参考スコア（独自算出の注目度）: 14.288836269941207
• License:
• Abstract: Quantum architecture search (QAS) represents a fundamental challenge in quantum machine learning, with SOTA methods primarily categorized into training-free and gradient-guided approaches. However, treating QAS solely as either a discrete pruning process or a continuous optimization problem fails to balance accuracy and efficiency. This work decomposes QAS into two alternately solved subproblems: optimal circuit structure retrieval and parameter optimization. Based on this insight, we propose Quantum Untrained-Explored Synergistic Trained Architecture (QUEST-A), which implements rapid architecture pruning through inherent circuit properties and develops focused optimization with parameter reuse strategies. QUEST-A unifies discrete structure search and continuous parameter optimization within an evolutionary framework that integrates rapid pruning and fine-grained optimization. Experiments demonstrate QUEST-A's superiority over existing methods: enhancing model expressivity in signal representation, maintaining high performance across varying complexities in image classification, and achieving order-of-magnitude precision improvements in variational quantum eigensolver tasks. These results validate QUEST-A's effectiveness and provide transferable methodologies for QAS.
• Abstract（参考訳）: 量子アーキテクチャサーチ(QAS)は、量子機械学習における基本的な課題であり、SOTA法は主にトレーニングなしと勾配誘導のアプローチに分類される。 しかし、QASを離散的なプルーニングプロセスまたは連続最適化問題としてのみ扱うことは、精度と効率のバランスをとるのに失敗する。 本研究は、QASを最適回路構造検索とパラメータ最適化という2つの代替解サブプロブレムに分解する。 この知見に基づき、本研究では、固有回路特性を突破する高速アーキテクチャを実装し、パラメータ再利用戦略による集中的最適化を開発する量子非訓練型Synergistic Trained Architecture (QUEST-A)を提案する。 QUEST-Aは、高速刈り取りと微粒化最適化を統合した進化的フレームワークにおいて、離散構造探索と連続パラメータ最適化を統一する。 実験では、QUEST-Aが既存の方法よりも優れていることを示す: 信号表現におけるモデル表現性の向上、画像分類における様々な複雑さにわたるハイパフォーマンスの維持、変分量子固有解法タスクのオーダー・オブ・マグニチュード精度の向上。 これらの結果はQUEST-Aの有効性を検証し,QASの伝達可能な方法論を提供する。

関連論文リスト

• Quantum Machine Learning Architecture Search via Deep Reinforcement Learning [8.546707309430593]
  教師付き学習タスクに適した有能なQMLモデルアーキテクチャを探索するために、深層強化学習を導入する。 我々の手法は、所定のアンザッツを使わずにQMLモデルの発見を容易にするポリシーを考案するために、RLエージェントを訓練することを含む。 提案手法は,ゲート深さを最小化しながら高い分類精度を達成できるVQCアーキテクチャの同定に成功している。
  論文  参考訳（メタデータ） (2024-07-29T16:20:51Z)
• Qubit-Wise Architecture Search Method for Variational Quantum Circuits [11.790545710021593]
  そこで本研究では,QWAS(qubit-wise architec-ture search)法を提案する。 提案手法は,MNIST,Fashion,MOSIなどの実世界のタスクにおいて,サーキットの性能とサイズを探索し,活用する。
  論文  参考訳（メタデータ） (2024-03-07T07:08:57Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Quantum Architecture Search with Unsupervised Representation Learning [24.698519892763283]
  教師なし表現学習は量子アーキテクチャ探索(QAS)を前進させる新しい機会を提供する QASは変分量子アルゴリズム(VQA)のための量子回路を最適化するように設計されている
  論文  参考訳（メタデータ） (2024-01-21T19:53:17Z)
• 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)
• Evolutionary Quantum Architecture Search for Parametrized Quantum Circuits [7.298440208725654]
  本稿では,PQCモデルのための進化的量子アーキテクチャ探索フレームワークであるEQAS-PQCを紹介する。 提案手法は,ハイブリッド量子古典モデルの性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-08-23T19:47:37Z)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)
• MQBench: Towards Reproducible and Deployable Model Quantization Benchmark [53.12623958951738]
  MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。 我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。 包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
  論文  参考訳（メタデータ） (2021-11-05T23:38:44Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• Quantum Embedding Search for Quantum Machine Learning [2.7612093695074456]
  クエスト」と発音される新しい量子埋め込み探索アルゴリズム(QES)を導入する。 我々は、量子埋め込みの構造と有向多重グラフの表現との接続を確立し、明確に定義された探索空間を実現する。 本稿では,QESによる量子埋め込みアーキテクチャが手動設計より優れていることを実証的に示す,合成とアイリスデータセットに対する提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-05-25T11:50:57Z)
• CATCH: Context-based Meta Reinforcement Learning for Transferrable Architecture Search [102.67142711824748]
  CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。 メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。 また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
  論文  参考訳（メタデータ） (2020-07-18T09:35:53Z)

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。