論文の概要: Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images
- arxiv url: http://arxiv.org/abs/2411.19276v2
- Date: Wed, 28 May 2025 11:01:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 20:07:45.751141
- Title: Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images
- Title（参考訳）: 量子ニューラルネットワークの実践:標準データセットから産業画像への古典的モデルとの比較
- Authors: Daniel Basilewitsch, João F. Bravo, Christian Tutschku, Frederick Struckmeier,
- Abstract要約: 本稿では,古典的・古典的ハイブリッド畳み込みニューラルネットワーク(CNN)と,ランダム化された古典的・量子的ニューラルネットワーク(NN)の性能を比較した。
これらのアプローチを,複雑性を増大させる3つのデータセット上で評価する。
クロスデータセット性能解析では、異なる分類タスク間の量子モデルの限られた転送可能性を示した。
- 参考スコア（独自算出の注目度）: 0.5892638927736115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we compare the performance of randomized classical and quantum neural networks (NNs) as well as classical and quantum-classical hybrid convolutional neural networks (CNNs) for the task of binary image classification. We use two distinct methodologies: using randomized NNs on dimensionality-reduced data, and applying CNNs to full image data. We evaluate these approaches on three data sets of increasing complexity: an artificial hypercube dataset, MNIST handwritten digits and real-world industrial images. We analyze correlations between classification accuracy and quantum model hyperparameters, including the number of trainable parameters, feature encoding methods, circuit layers, entangling gate type and structure, gate entangling power, and measurement operators. For random quantum NNs, we compare their performance against literature models. Classical and quantum/hybrid models achieved statistically equivalent classification accuracies across most datasets, with no approach demonstrating consistent superiority. We observe that quantum models show lower variance with respect to initial training parameters, suggesting better training stability. Among the hyperparameters analyzed, only the number of trainable parameters showed a positive correlation with the model performance. Around 94% of the best-performing quantum NNs had entangling gates, although for hybrid CNNs, models without entanglement performed equally well but took longer to converge. Cross-dataset performance analysis revealed limited transferability of quantum models between different classification tasks. Our study provides an industry perspective on quantum machine learning for practical image classification tasks, highlighting both current limitations and potential avenues for further research in quantum circuit design, entanglement utilization, and model transferability across varied applications.
- Abstract（参考訳）: 本研究では,古典的・古典的ハイブリッド畳み込みニューラルネットワーク(CNN)と,ランダム化された古典的・量子的ニューラルネットワーク(NN)の性能を比較した。
我々は,次元推定データにランダム化されたNNを用いることと,CNNをフルイメージデータに適用することの2つの方法を用いる。
これらの手法は, 人工ハイパーキューブデータセット, MNIST手書き桁, 実世界の産業画像の3つのデータ集合を用いて評価した。
我々は,学習可能なパラメータ数,特徴符号化手法,回路層,ゲートタイプと構造,ゲートエンタングルパワー,測定演算子など,分類精度と量子モデルハイパーパラメータの相関関係を分析する。
ランダムな量子NNでは、それらの性能を文学モデルと比較する。
古典的および量子ハイブリッドモデルは、多くのデータセットで統計的に等価な分類精度を達成したが、一貫した優位性を示すアプローチは存在しなかった。
量子モデルは、初期訓練パラメータに対する分散度が低く、訓練安定性が向上することを示唆している。
解析したハイパーパラメータのうち,トレーニング可能なパラメータの数はモデル性能と正の相関を示した。
最高のパフォーマンスの量子NNの約94%は絡み合うゲートを持っていたが、ハイブリッドCNNでは、絡み合いのないモデルも同様にうまく機能したが、収束するのに時間がかかった。
クロスデータセット性能解析では、異なる分類タスク間の量子モデルの限られた転送可能性を示した。
本研究は, 量子回路設計, エンタングルメント利用, 各種アプリケーション間のモデル転送可能性に関するさらなる研究のために, 現状の限界と潜在的な道の両面を浮き彫りにした, 実用的な画像分類タスクのための量子機械学習の産業的展望を提供する。
関連論文リスト
- Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。
これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。
この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文 参考訳（メタデータ） (2025-01-19T21:24:02Z) - Photonic quantum generative adversarial networks for classical data [0.0]
生成学習では、ターゲットデータの分布に従う新しいサンプルを作成するためにモデルが訓練される。
線形光回路とフォック空間符号化に基づく量子GANを提案する。
単一光子量子プロセッサ上で実験的にモデルのエンドツーエンドをトレーニングすることで,モデルが画像を生成することを実証する。
論文 参考訳（メタデータ） (2024-05-09T18:00:10Z) - CQural: A Novel CNN based Hybrid Architecture for Quantum Continual
Machine Learning [0.0]
本研究では,新しい古典量子ニューラルネットを用いた連続学習において,破滅的な忘れを回避できることが示唆された。
また、モデルがこれらの説明でトレーニングされている場合、より良いパフォーマンスを与え、決定境界から遠く離れた特定の特徴を学ぶ傾向があります。
論文 参考訳（メタデータ） (2023-05-16T18:19:12Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - A performance characterization of quantum generative models [35.974070202997176]
量子生成モデリングに使用される量子回路を比較する。
2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。
確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
論文 参考訳（メタデータ） (2023-01-23T11:00:29Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Comparing concepts of quantum and classical neural network models for
image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。
シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文 参考訳（メタデータ） (2021-08-19T18:49:30Z) - Quantum Self-Supervised Learning [22.953284192004034]
対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
論文 参考訳（メタデータ） (2021-03-26T18:00:00Z) - Counterfactual Generative Networks [59.080843365828756]
画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。
適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。
その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
論文 参考訳（メタデータ） (2021-01-15T10:23:12Z) - 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) - Reservoir Memory Machines as Neural Computers [70.5993855765376]
微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。
我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
論文 参考訳（メタデータ） (2020-09-14T12:01:30Z)
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。