論文の概要: Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement

• arxiv url: http://arxiv.org/abs/2411.19112v2
• Date: Wed, 09 Apr 2025 06:18:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 16:25:04.068285
• Title: Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement
• Title（参考訳）: Fockベース測定によるアナログボソニック量子ニューラルネットワークにおけるパラメトリック相互作用の訓練
• Authors: Julien Dudas, Baptiste Carles, Elie Gouzien, Julie Grollier, Danijela Marković,
• Abstract要約: 量子ニューラルネットワークは、量子状態の自動認識のための量子デバイスとシームレスに統合される可能性がある。 本稿では, ボソニックモードの活用とFockベース測定の実施を提案し, モード数に対する指数関数的な特徴の抽出を可能にした。 トレーニング可能なパラメータの数はモード数に比例して線形にしかスケールしないのに対して、ニューロン数は指数関数的に増加するのに対して、ネットワークはトレーニング可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum neural networks have the potential to be seamlessly integrated with quantum devices for the automatic recognition of quantum states. However, performing complex tasks requires a large number of neurons densely connected through trainable, parameterized weights - a challenging feat when using qubits. To address this, we propose leveraging bosonic modes and performing Fock basis measurements, enabling the extraction of an exponential number of features relative to the number of modes. Unlike qubits, bosons can be coupled through multiple parametric drives, with amplitudes, phases, and frequency detunings serving dual purposes: data encoding and trainable parameters. We demonstrate that these parameters, despite their differing physical dimensions, can be trained cohesively using backpropagation to solve benchmark tasks of increasing complexity. Notably, we show that the network can be trained even though the number of trainable parameters scales only linearly with the number of modes, whereas the number of neurons grows exponentially. Furthermore, we show that training not only reduces the number of measurements required for feature extraction compared to untrained quantum neural networks, such as quantum reservoir computing, but also significantly enhances the expressivity of the network, enabling it to solve tasks that are out of reach for quantum reservoir computing.
• Abstract（参考訳）: 量子ニューラルネットワークは、量子状態の自動認識のために、量子デバイスとシームレスに統合される可能性がある。 しかし、複雑なタスクを実行するには、トレーニング可能なパラメータ化された重みを通して密結合された多数のニューロンが必要となる。 そこで本研究では, ボソニックモードの活用とFockベース測定の実施を提案し, モード数に対する指数関数数の抽出を可能にした。 量子ビットとは異なり、ボソンは複数のパラメトリックドライブを介して結合することができ、振幅、位相、周波数デチューニングが2つの目的、すなわちデータエンコーディングとトレーニング可能なパラメータを兼ね備えている。 これらのパラメータは、物理次元が異なるにもかかわらず、複雑さを増すベンチマークタスクを解決するためにバックプロパゲーションを用いてコヒーシブに訓練できることを実証する。 特に、トレーニング可能なパラメータの数がモード数と線形にしかスケールしないのに対して、ニューロン数は指数関数的に増加するにもかかわらず、ネットワークをトレーニングできることが示される。 さらに、トレーニングは、量子貯水池計算のような訓練されていない量子ニューラルネットワークと比較して特徴抽出に必要な測定回数を減らすだけでなく、ネットワークの表現性を著しく向上し、量子貯水池計算に到達できないタスクを解くことができることを示した。

関連論文リスト

• Quantum Convolutional Neural Network with Flexible Stride [7.362858964229726]
  本稿では,新しい量子畳み込みニューラルネットワークアルゴリズムを提案する。 異なるタスクに対応するために、柔軟にストライドを調整できます。 データスケールの指数加速度を、従来のものに比べて少ないメモリで達成することができる。
  論文  参考訳（メタデータ） (2024-12-01T02:37:06Z)
• Simulating Quantum Many-Body States with Neural-Network Exponential Ansatz [0.0]
  我々はハミルトンパラメータを入力として指数的アンサッツパラメータを生成する代用ニューラルネットワークソルバを開発した。 本稿では、複数の量子多体系のニューラルネットワークをトレーニングすることで、このアプローチの有効性を説明する。
  論文  参考訳（メタデータ） (2024-11-12T15:48:23Z)
• 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)
• Training-efficient density quantum machine learning [2.918930150557355]
  量子機械学習は強力でフレキシブルで効率的にトレーニング可能なモデルを必要とする。 トレーニング可能なユニタリの集合にランダム化を組み込んだ学習モデルである密度量子ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T16:40:28Z)
• 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)
• Enhancing the expressivity of quantum neural networks with residual connections [0.0]
  量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。 我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
  論文  参考訳（メタデータ） (2024-01-29T04:00:51Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Determining the ability for universal quantum computing: Testing controllability via dimensional expressivity [39.58317527488534]
  制御性テストは、外部制御の数を減らすために量子デバイスの設計に使用できる。 パラメタライズド量子回路に基づくハイブリッド量子古典アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2023-08-01T15:33:41Z)
• Neural networks for Bayesian quantum many-body magnetometry [0.0]
  絡み合った量子多体系は、個々の量子検出器のアンサンブルで達成可能な精度よりも大きいパラメータを推定できるセンサーとして使用できる。 このことは、ベイズ推論手法の適用性を妨げうる複雑さを伴っている。 量子多体センサの力学を忠実に再現するニューラルネットワークを用いて、これらの問題を回避する方法を示す。
  論文  参考訳（メタデータ） (2022-12-22T22:13:49Z)
• Quantum reservoir neural network implementation on coherently coupled quantum oscillators [1.7086737326992172]
  本稿では,多数の高密度結合ニューロンを得る量子貯水池の実装を提案する。 超伝導回路に基づく特定のハードウェア実装を解析する。 ベンチマークタスクでは99 %の最先端の精度が得られる。
  論文  参考訳（メタデータ） (2022-09-07T15:24:51Z)
• An Amplitude-Based Implementation of the Unit Step Function on a Quantum Computer [0.0]
  量子コンピュータ上での単位ステップ関数の形で非線形性を近似するための振幅に基づく実装を提案する。 より先進的な量子アルゴリズムに埋め込まれた場合、古典的コンピュータから直接入力を受ける2つの異なる回路タイプを量子状態として記述する。
  論文  参考訳（メタデータ） (2022-06-07T07:14:12Z)
• Quantum Annealing Formulation for Binary Neural Networks [40.99969857118534]
  本研究では、リソース制約のあるデバイスを意図した軽量で強力なモデルであるバイナリニューラルネットワークについて検討する。 トレーニング問題に対する2次非制約バイナリ最適化の定式化を考案する。 問題は難解であり、すなわち、二分重みを推定するコストはネットワークサイズと指数関数的にスケールするが、どのようにして問題を量子アニール器に直接最適化できるかを示す。
  論文  参考訳（メタデータ） (2021-07-05T03:20:54Z)
• Searching for Low-Bit Weights in Quantized Neural Networks [129.8319019563356]
  低ビットの重みとアクティベーションを持つ量子ニューラルネットワークは、AIアクセラレータを開発する上で魅力的なものだ。 本稿では、任意の量子化ニューラルネットワークにおける離散重みを探索可能な変数とみなし、差分法を用いて正確に探索する。
  論文  参考訳（メタデータ） (2020-09-18T09:13:26Z)

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。