論文の概要: Natural Quantization of Neural Networks

• arxiv url: http://arxiv.org/abs/2503.15482v1
• Date: Wed, 19 Mar 2025 17:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:24:25.456884
• Title: Natural Quantization of Neural Networks
• Title（参考訳）: ニューラルネットワークの自然量子化
• Authors: Richard Barney, Djamil Lakhdar-Hamina, Victor Galitski,
• Abstract要約: そこで我々は,ニューロンが量子ビットに対応し,活性化関数が量子ゲートと測定によって実装される,標準的なニューラルネットワークの自然な量子化を提案する。 我々は、このアーキテクチャを標準MNISTデータセットのサブセットでベンチマークし、「量子優位」の仕組みを見つける。 提案した量子ニューラルネットワークは、商用データセット上の現在の量子コンピュータで容易に実現可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We propose a natural quantization of a standard neural network, where the neurons correspond to qubits and the activation functions are implemented via quantum gates and measurements. The simplest quantized neural network corresponds to applying single-qubit rotations, with the rotation angles being dependent on the weights and measurement outcomes of the previous layer. This realization has the advantage of being smoothly tunable from the purely classical limit with no quantum uncertainty (thereby reproducing the classical neural network exactly) to a quantum case, where superpositions introduce an intrinsic uncertainty in the network. We benchmark this architecture on a subset of the standard MNIST dataset and find a regime of "quantum advantage," where the validation error rate in the quantum realization is smaller than that in the classical model. We also consider another approach where quantumness is introduced via weak measurements of ancilla qubits entangled with the neuron qubits. This quantum neural network also allows for smooth tuning of the degree of quantumness by controlling an entanglement angle, $g$, with $g=\frac\pi 2$ replicating the classical regime. We find that validation error is also minimized within the quantum regime in this approach. We also observe a quantum transition, with sharp loss of the quantum network's ability to learn at a critical point $g_c$. The proposed quantum neural networks are readily realizable in present-day quantum computers on commercial datasets.
• Abstract（参考訳）: そこで我々は,ニューロンが量子ビットに対応し,活性化関数が量子ゲートと測定によって実装される,標準的なニューラルネットワークの自然な量子化を提案する。 最も単純な量子化されたニューラルネットワークは、1量子ビット回転を適用し、回転角は前の層の重みと測定結果に依存する。 この実現は、量子的不確実性(古典的ニューラルネットワークを正確に再現することで)のない純粋に古典的な極限から、重ね合わせがネットワークに固有の不確実性をもたらす量子ケースへ滑らかに調整できるという利点がある。 我々は、このアーキテクチャを標準MNISTデータセットのサブセットにベンチマークし、量子化における検証誤差率が古典的モデルよりも小さい「量子優位性」の体系を求める。 また、ニューロンの量子ビットに絡み合ったアンシラ量子ビットの弱い測定によって量子性を導入する方法についても検討する。 この量子ニューラルネットワークは、古典的なレシエーションを複製する$g=\frac\pi 2$で絡み合う角度を$g$で制御することで、量子性の度合いを円滑に調整することができる。 また,本手法では,量子状態においても検証誤差が最小化されている。 また、臨界点$g_c$で学習する量子ネットワークの能力が著しく失われ、量子遷移も観察する。 提案した量子ニューラルネットワークは、商用データセット上の現在の量子コンピュータで容易に実現可能である。

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)
• 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)
• Experimental verification of the quantum nature of a neural network [0.0]
  システムを量子化する理由と、ニューラルネットワークが量子残基を持つと解釈できる範囲について論じる。 古典的ニューラルネットワークの量子関数規則(マップ)から絡み合いを抽出できる可能性のある実験を提案する。
  論文  参考訳（メタデータ） (2022-08-23T06:33:59Z)
• Scalable Quantum Neural Networks for Classification [11.839990651381617]
  本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。 SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
  論文  参考訳（メタデータ） (2022-08-04T20:35:03Z)
• Are classical neural networks quantum? [0.0]
  ニューラルネットワークは、波動関数の近似として、多くの粒子系の状態空間の探索を改善するために使用されている。 ここでは、システムを量子化する理由と、ニューラルネットワークが量子残基を持つと解釈できる範囲について論じます。
  論文  参考訳（メタデータ） (2022-05-31T09:33:51Z)
• 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)
• Quantifying Unknown Entanglement by Neural Networks [1.6629141734354616]
  ニューラルネットワークは未知の絡み合いを定量化するために訓練され、ニューラルネットワークの入力特徴は、ターゲットの量子状態を局所的に測定した結果統計データである。 その結果、トレーニングするニューラルネットワークは、未知の量子状態の定量化に非常に優れた性能を持つことがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:50:25Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• 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。