論文の概要: Test-Time Training with Quantum Auto-Encoder: From Distribution Shift to Noisy Quantum Circuits

• arxiv url: http://arxiv.org/abs/2411.06828v1
• Date: Mon, 11 Nov 2024 09:40:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:48.280136
• Title: Test-Time Training with Quantum Auto-Encoder: From Distribution Shift to Noisy Quantum Circuits
• Title（参考訳）: 量子オートエンコーダによる試験時間トレーニング:分布シフトからノイズ量子回路へ
• Authors: Damien Jian, Yu-Chao Huang, Hsi-Sheng Goan,
• Abstract要約: 量子オートエンコーダ(QTTT)を用いたテスト時間トレーニングを提案する。 QTTTは(1)トレーニングとテストデータの分散シフト、(2)量子回路エラーに対応している。 我々のフレームワークは、将来の現実世界アプリケーションのための量子ニューラルネットワークの開発において、大きな進歩をもたらしている。
• 参考スコア（独自算出の注目度）: 0.9831489366502301
• License:
• Abstract: In this paper, we propose test-time training with the quantum auto-encoder (QTTT). QTTT adapts to (1) data distribution shifts between training and testing data and (2) quantum circuit error by minimizing the self-supervised loss of the quantum auto-encoder. Empirically, we show that QTTT is robust against data distribution shifts and effective in mitigating random unitary noise in the quantum circuits during the inference. Additionally, we establish the theoretical performance guarantee of the QTTT architecture. Our novel framework presents a significant advancement in developing quantum neural networks for future real-world applications and functions as a plug-and-play extension for quantum machine learning models.
• Abstract（参考訳）: 本稿では,量子オートエンコーダ(QTTT)を用いたテスト時間トレーニングを提案する。 QTTTは(1)トレーニングとテストデータ間のデータ分散シフトに適応し、(2)量子オートエンコーダの自己管理損失を最小限に抑えて量子回路誤差を最小化する。 実験により、QTTTはデータ分散シフトに対して堅牢であり、推論中に量子回路内のランダムなユニタリノイズを緩和するのに有効であることを示す。 さらに,QTTTアーキテクチャの理論的性能保証を確立する。 我々の新しいフレームワークは、将来の現実世界アプリケーションのための量子ニューラルネットワークの開発において大きな進歩をもたらし、量子機械学習モデルのプラグアンドプレイ拡張として機能する。

関連論文リスト

• Federated Quantum-Train with Batched Parameter Generation [3.697453416360906]
  我々は、QTモデルをフェデレートラーニングに統合する、Federated Quantum-Train(QT)フレームワークを紹介する。 提案手法は, 一般化誤差を低減しつつ, 量子ビット使用量を19から8キュービットまで大幅に削減する。
  論文  参考訳（メタデータ） (2024-09-04T14:39:11Z)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• 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 Circuit AutoEncoder [17.81888531978833]
  本稿では、量子回路内の情報を圧縮してエンコードする量子回路オートエンコーダ(QCAE)のモデルを提案する。 varQCAEを3つの実用的なタスクに適用し、量子回路内の情報を効果的に圧縮できることを示す。
  論文  参考訳（メタデータ） (2023-07-17T12:41:28Z)
• Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
  量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。 本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。 分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
  論文  参考訳（メタデータ） (2023-07-05T08:06:41Z)
• 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)
• Automatic Test Pattern Generation for Robust Quantum Circuit Testing [8.860149267706221]
  量子テストパターンを表現するための安定化プロジェクタ分解(SPD)を導入する。 我々はクリフォードのみの回路を用いてテストアプリケーション(すなわち状態準備と測定)を構築する。 我々はSPD生成アルゴリズムと、SPDの生成における局所性と空間性の両方を活用するいくつかの加速技術を開発した。
  論文  参考訳（メタデータ） (2022-02-22T07:06:10Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• 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)

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。