論文の概要: QAHAN: A Quantum Annealing Hard Attention Network

• arxiv url: http://arxiv.org/abs/2412.20930v1
• Date: Mon, 30 Dec 2024 13:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:05:43.894006
• Title: QAHAN: A Quantum Annealing Hard Attention Network
• Title（参考訳）: QAHAN: 量子アニーリング型ハードアテンションネットワーク
• Authors: Ren-Xin Zhao,
• Abstract要約: ハードアテンションメカニズム(HAM)は、重要な情報を離散的にフィルタリングし、大規模なデータセット上での機械学習モデルの性能を大幅に向上させる。 彼らは非微分可能性の課題に直面し、局所的な最適性への収束のリスクを増大させる。 グローバル最適値への高速収束を実現するために,量子アニーリング型ハードアテンション機構(QAHAM)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Hard Attention Mechanisms (HAMs) effectively filter essential information discretely and significantly boost the performance of machine learning models on large datasets. Nevertheless, they confront the challenge of non-differentiability, which raises the risk of convergence to a local optimum. Quantum Annealing (QA) is expected to solve the above dilemma. We propose a Quantum Annealing Hard Attention Mechanism (QAHAM) for faster convergence to the global optimum without the need to compute gradients by exploiting the quantum tunneling effect. Based on the above theory, we construct a Quantum Annealing Hard Attention Network (QAHAN) on D-Wave and Pytorch platforms for MNIST and CIFAR-10 multi-classification. Experimental results indicate that the QAHAN converges faster, exhibits smoother accuracy and loss curves, and demonstrates superior noise robustness compared to two traditional HAMs. Predictably, our scheme accelerates the convergence between the fields of quantum algorithms and machine learning, while advancing the field of quantum machine vision.
• Abstract（参考訳）: ハードアテンションメカニズム(HAM)は、重要な情報を離散的にフィルタリングし、大規模なデータセット上での機械学習モデルの性能を大幅に向上させる。 しかし、彼らは非微分可能性の課題に直面しており、これは局所的な最適点への収束のリスクを増大させる。 量子アニーリング(QA)は上記のジレンマを解決することが期待されている。 本稿では,量子トンネル効果を利用して勾配を計算することなく,グローバル最適への高速収束を実現するための量子アニーリング型ハードアテンション機構(QAHAM)を提案する。 上記の理論に基づいて、MNISTとCIFAR-10の多重分類のためのD-WaveとPytorchプラットフォーム上に量子アニーリングハードアテンションネットワーク(QAHAN)を構築する。 実験結果から,QAHANはより高速に収束し,よりスムーズな精度と損失曲線を示し,従来の2つのHAMと比較して優れた耐雑音性を示すことがわかった。 予測可能ならば、量子アルゴリズムの分野と機械学習の収束を加速し、量子マシンビジョンの分野を前進させる。

関連論文リスト

• Quantum Mixed-State Self-Attention Network [3.1280831148667105]
  本稿では,自然言語処理タスクのためのQMSAN(Quantum Mixed-State Self-Attention Network)を提案する。 QMSANは混合状態に基づく量子アテンション機構を使用し、量子領域内のクエリとキー間の直接的な類似度推定を可能にする。 また、回路内の固定量子ゲートを介して実装された革新的な量子位置符号化方式を提案し、追加の量子ビットリソースを使わずにシーケンス情報をキャプチャする能力を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T11:29:05Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Quantum benefit of the quantum equation of motion for the strongly coupled many-body problem [0.0]
  量子運動方程式 (quantum equation of motion, QEOM) はフェルミオン多体系の励起特性を計算するためのハイブリッド量子古典アルゴリズムである。 我々は、qEOMが要求される量子測定数の独立性により量子的利益を示すことを明らかに示している。
  論文  参考訳（メタデータ） (2023-09-18T22:10:26Z)
• Exploring Unsupervised Anomaly Detection with Quantum Boltzmann Machines in Fraud Detection [3.955274213382716]
  EDR(Restricted Detection and Response)における異常検出は、大企業のサイバーセキュリティプログラムにおいて重要な課題である。 この問題に対する古典的な機械学習アプローチは存在するが、悪質な異常と悪質な異常を区別する際の不満足なパフォーマンスをしばしば示している。 現在使われている機械学習技術よりも優れた一般化を実現するための有望なアプローチは量子生成モデルである。
  論文  参考訳（メタデータ） (2023-06-08T07:36:01Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• 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)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。