論文の概要: An Amplitude-Encoding-Based Classical-Quantum Transfer Learning framework: Outperforming Classical Methods in Image Recognition

• arxiv url: http://arxiv.org/abs/2502.20184v1
• Date: Thu, 27 Feb 2025 15:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:59.141004
• Title: An Amplitude-Encoding-Based Classical-Quantum Transfer Learning framework: Outperforming Classical Methods in Image Recognition
• Title（参考訳）: 振幅エンコーディングに基づく古典量子変換学習フレームワーク:画像認識における古典的手法の性能向上
• Authors: Shouwei Hu, Xi Li, Banyao Ruan, Zhihao Liu,
• Abstract要約: 本稿では,AE-CQTL(Amplence-encoding-based classical-quantum transfer learning)フレームワークを提案する。 AE-CQTLフレームワークをベースとして,Transfer Learning Quantum Neural Network (TLQNN)とTransfer Learning Quantum Convolutional Neural Network (TLQCNN)の2つのCQTLニューラルネットワークモデルの設計と実装を行った。
• 参考スコア（独自算出の注目度）: 8.971481563534537
• License:
• Abstract: The classical-quantum transfer learning (CQTL) method is introduced to address the challenge of training large-scale, high-resolution image data on a limited number of qubits (ranging from tens to hundreds) in the current Noisy Intermediate-Scale quantum (NISQ) era. existing CQTL frameworks have been demonstrate quantum advantages with a small number of parameters (around 50), but the performance of quantum neural networks is sensitive to the number of parameters. Currently, there is a lack of exploration into larger-scale quantum circuits with more parameters. This paper proposes an amplitude-encoding-based classical-quantum transfer learning (AE-CQTL) framework, accompanied by an effective learning algorithm. The AE-CQTL framework multiplies the parameters of quantum circuits by using multi-layer ansatz. Based on the AE-CQTL framework, we designed and implemented two CQTL neural network models: Transfer learning Quantum Neural Network (TLQNN) and Transfer Learning Quantum Convolutional Neural Network (TLQCNN). Both models significantly expand the parameter capacity of quantum circuits, elevating the parameter scale from a few dozen to over one hundred parameters. In cross-experiments with three benchmark datasets (MNIST, Fashion-MNIST and CIFAR10) and three source models (ResNet18, ResNet50 and DenseNet121), TLQNN and TLQCNN have exceeded the benchmark classical classifier in multiple performance metrics, including accuracy, convergence, stability, and generalization capability. Our work contributes to advancing the application of classical-quantum transfer learning on larger-scale quantum devices in future.
• Abstract（参考訳）: 古典量子移動学習(CQTL)法は、現在のノイズ中間規模量子(NISQ)時代に限られた量子ビット数(数十から数百の範囲)で大規模で高解像度の画像データを訓練する課題に対処するために導入された。 既存のCQTLフレームワークは、少数のパラメータ(約50)で量子優位性を実証してきたが、量子ニューラルネットワークの性能はパラメータの数に敏感である。 現在、より多くのパラメータを持つ大規模量子回路の探索が欠如している。 本稿では,振幅エンコーディングに基づく古典量子移動学習(AE-CQTL)フレームワークを提案する。 AE-CQTLフレームワークは、多層アンサッツを用いて量子回路のパラメータを乗算する。 AE-CQTLフレームワークをベースとして,Transfer Learning Quantum Neural Network (TLQNN) とTransfer Learning Quantum Convolutional Neural Network (TLQCNN) の2つのCQTLニューラルネットワークモデルの設計と実装を行った。 どちらのモデルも量子回路のパラメータ容量を大きく拡大し、パラメータスケールを数十から100以上のパラメータに高めている。 3つのベンチマークデータセット(MNIST、Fashion-MNIST、CIFAR10)と3つのソースモデル(ResNet18、ResNet50、DenseNet121)によるクロス実験において、TLQNNとTLQCNNは、精度、収束性、安定性、一般化能力を含む複数のパフォーマンス指標において、ベンチマーク古典分類器を上回った。 我々の研究は、将来の大規模量子デバイスにおける古典量子移動学習の進歩に寄与する。

関連論文リスト

• Let the Quantum Creep In: Designing Quantum Neural Network Models by Gradually Swapping Out Classical Components [1.024113475677323]
  現代のAIシステムはニューラルネットワーク上に構築されることが多い。 古典的ニューラルネットワーク層を量子層に置き換える枠組みを提案する。 画像分類データセットの数値実験を行い、量子部品の体系的導入による性能変化を実証する。
  論文  参考訳（メタデータ） (2024-09-26T07:01:29Z)
• 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)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。 我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。 量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• 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)
• Classical-to-quantum convolutional neural network transfer learning [1.9336815376402723]
  量子畳み込みニューラルネットワーク(QCNN)を用いた機械学習は、量子データ分類と古典データ分類の両方で成功している。 ノイズの多い中規模量子時代に小さなQCNNを利用するための効果的な方法として転送学習を提案する。
  論文  参考訳（メタデータ） (2022-08-31T09:15:37Z)
• 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)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• Quantum convolutional neural network for classical data classification [0.8057006406834467]
  古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。 本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:48:34Z)
• 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)
• 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。