論文の概要: Measurement-based quantum convolutional neural network for deep learning

• arxiv url: http://arxiv.org/abs/2412.08207v1
• Date: Wed, 11 Dec 2024 08:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:01:54.871274
• Title: Measurement-based quantum convolutional neural network for deep learning
• Title（参考訳）: 深層学習のための計測に基づく量子畳み込みニューラルネットワーク
• Authors: Yifan Sun, Xiangdong Zhang,
• Abstract要約: 本稿では,クラスタ状態を利用して量子畳み込みニューラルネットワーク(QCNN)を実装するための代替手法を提案する。 システム全体の安定化は、複雑な制御を避けることで容易である。 クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供する。
• 参考スコア（独自算出の注目度）: 7.689125776844024
• License:
• Abstract: Recently, quantum convolutional neural networks (QCNNs) are proposed, harnessing the power of quantum computing for faster training compared to the classical counterparts. However, this framework for deep learning also relies on multiple processing layers to capture the representation of data, which necessitates precise dynamical control. Given the current stage of quantum computing, achieving this level of control at a large scale remains challenging. Here, we propose an alternate approach to implementing QCNNs by utilizing cluster states. The training process of the method involves tuning the projection basis of each qubit in cluster states, rather than adjusting the parameters of layers of operators in deep quantum circuits. Hence, the whole system is easier to stabilize by avoiding the complex controls. Leveraging techniques in measurement-based quantum computing, we present an exact cluster state solution to general QCNNs. Followingly, we provide numerical evidence that both quantum and classical data can be learned by measuring cluster states, and a faster convergence of the method is observed. The cluster states we consider in our learning examples are merely square-lattice cluster states, whose implementation at large scale have been reported recently. It indicates that our method has the potential for realizing the advance of quantum deep learning for practical uses.
• Abstract（参考訳）: 近年,量子畳み込みニューラルネットワーク (QCNN) が提案されている。 しかし、ディープラーニングのためのこのフレームワークは、データの表現を捉えるために複数の処理層にも依存しているため、正確な動的制御が必要である。 量子コンピューティングの現在の段階を考えると、このレベルの制御を大規模に達成することは依然として困難である。 本稿では,クラスタ状態を利用したQCNNの代替手法を提案する。 この手法の訓練過程は、深部量子回路における演算子の層のパラメータを調整するのではなく、クラスタ状態における各量子ビットの射影基底を調整することを含む。 したがって、複雑な制御を避けることにより、システム全体の安定化が容易になる。 測定に基づく量子コンピューティングにおける手法を活用し、一般的なQCNNに対して正確なクラスタ状態解を提示する。 次に、クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供し、より高速な収束を観察する。 私たちが学習例で検討しているクラスタステートは、単に正方形のクラスタステートであり、その大規模実装が最近報告されている。 本手法は,実用化のための量子深層学習の進歩を実現する可能性を示唆している。

関連論文リスト

• 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)
• 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)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Quantum Federated Learning for Distributed Quantum Networks [9.766446130011706]
  本稿では,量子力学の興味深い特徴を利用した分散量子ネットワークのための量子フェデレーション学習を提案する。 分散量子ネットワーク内のクライアントがローカルモデルをトレーニングするのを助けるために、量子勾配降下アルゴリズムが提供される。 量子セキュアなマルチパーティ計算プロトコルを設計し,中国の残差定理を用いた。
  論文  参考訳（メタデータ） (2022-12-25T14:37:23Z)
• 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)
• Quantum Robustness Verification: A Hybrid Quantum-Classical Neural Network Certification Algorithm [1.439946676159516]
  本研究では、堅牢性多変数混合整数プログラム(MIP)の解法を含むReLUネットワークの検証について検討する。 この問題を軽減するために、ニューラルネットワーク検証にQCを用い、証明可能な証明書を計算するためのハイブリッド量子プロシージャを導入することを提案する。 シミュレーション環境では,我々の証明は健全であり,問題の近似に必要な最小量子ビット数に制限を与える。
  論文  参考訳（メタデータ） (2022-05-02T13:23:56Z)
• Realizing Quantum Convolutional Neural Networks on a Superconducting Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
  量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。 我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。 その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:32:57Z)
• 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)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。