論文の概要: Quantum autoencoders for image classification

• arxiv url: http://arxiv.org/abs/2502.15254v1
• Date: Fri, 21 Feb 2025 07:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:10:45.567466
• Title: Quantum autoencoders for image classification
• Title（参考訳）: 画像分類のための量子オートエンコーダ
• Authors: Hinako Asaoka, Kazue Kudo,
• Abstract要約: 量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。 QAEはより少ないパラメータで効率的な分類モデルとして機能し、完全なエンドツーエンド学習に量子回路を利用する可能性を強調することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Classical machine learning often struggles with complex, high-dimensional data. Quantum machine learning offers a potential solution, promising more efficient processing. While the quantum convolutional neural network (QCNN), a hybrid quantum-classical algorithm, is suitable for current noisy intermediate-scale quantum-era hardware, its learning process relies heavily on classical computation. Future large-scale, gate-based quantum computers could unlock the full potential of quantum effects in machine learning. In contrast to QCNNs, quantum autoencoders (QAEs) leverage classical optimization solely for parameter tuning. Data compression and reconstruction are handled entirely within quantum circuits, enabling purely quantum-based feature extraction. This study introduces a novel image-classification approach using QAEs, achieving classification without requiring additional qubits compared with conventional QAE implementations. The quantum circuit structure significantly impacts classification accuracy. Unlike hybrid methods such as QCNN, QAE-based classification emphasizes quantum computation. Our experiments demonstrate high accuracy in a four-class classification task, evaluating various quantum-gate configurations to understand the impact of different parameterized quantum circuit (ansatz) structures on classification performance. Our results reveal that specific ansatz structures achieve superior accuracy, and we provide an analysis of their effectiveness. Moreover, the proposed approach achieves performance comparable to that of conventional machine-learning methods while significantly reducing the number of parameters requiring optimization. These findings indicate that QAEs can serve as efficient classification models with fewer parameters and highlight the potential of utilizing quantum circuits for complete end-to-end learning, a departure from hybrid approaches such as QCNN.
• Abstract（参考訳）: 古典的な機械学習は、しばしば複雑で高次元のデータを扱う。 量子機械学習は、より効率的な処理を約束する潜在的なソリューションを提供する。 ハイブリッド量子古典アルゴリズムである量子畳み込みニューラルネットワーク(QCNN)は、現在のノイズの多い中間規模量子時代のハードウェアに適しているが、学習プロセスは古典的な計算に大きく依存している。 将来的には、ゲートベースの大規模量子コンピュータが、機械学習における量子効果の可能性を解き放つだろう。 QCNNとは対照的に、量子オートエンコーダ(QAE)はパラメータチューニングのみに古典的な最適化を利用する。 データ圧縮と再構成は、完全に量子回路内で処理され、純粋に量子ベースの特徴抽出を可能にする。 本研究では,QAEを用いた新しい画像分類手法を提案し,従来のQAE実装と比較して,追加のキュービットを必要としない分類を実現する。 量子回路構造は分類精度に大きな影響を及ぼす。 QCNNのようなハイブリッド手法とは異なり、QAEベースの分類は量子計算に重点を置いている。 実験では,異なるパラメータ化量子回路(アンサッツ)構造が分類性能に与える影響を理解するために,様々な量子ゲート構成の評価を行った。 以上の結果から,特定のアンザッツ構造がより優れた精度を達成できることが判明し,その有効性を解析した。 さらに,提案手法は従来の機械学習手法に匹敵する性能を実現し,最適化を必要とするパラメータの数を大幅に削減する。 これらの結果から,QAEはより少ないパラメータで効率的な分類モデルとして機能し,QCNNのようなハイブリッドアプローチから外れた完全エンドツーエンド学習に量子回路を活用する可能性を強調した。

関連論文リスト

• Tensor-Based Binary Graph Encoding for Variational Quantum Classifiers [3.5051814539447474]
  変分量子(VQC)を用いたグラフ分類のための新しい量子符号化フレームワークを提案する。 グラフ符号化に適したより複雑な回路を構築することにより、VQCが現在の量子ハードウェアの制約内でグラフを効果的に分類できることを実証する。
  論文  参考訳（メタデータ） (2025-01-24T02:26:21Z)
• NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
  近年、量子コンピューティングの分野は大幅に成熟している。 NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。 我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
  論文  参考訳（メタデータ） (2024-11-23T23:09:22Z)
• 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)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• 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)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
  本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。 提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。 この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
  論文  参考訳（メタデータ） (2022-03-29T09:07:18Z)
• 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)
• 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)
• Quantum Machine Learning for Particle Physics using a Variational Quantum Classifier [0.0]
  本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。 このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
  論文  参考訳（メタデータ） (2020-10-14T18:05:49Z)
• Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
  変分量子分類(VQC)は、量子的に有利な方法の一つである。 本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。 QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
  論文  参考訳（メタデータ） (2020-05-29T04:43:14Z)

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。