論文の概要: Quantitative Evaluation of Quantum/Classical Neural Network Using a Game Solver Metric
- arxiv url: http://arxiv.org/abs/2503.21514v1
- Date: Thu, 27 Mar 2025 14:05:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:54:52.495100
- Title: Quantitative Evaluation of Quantum/Classical Neural Network Using a Game Solver Metric
- Title(参考訳): ゲームソルバーメトリックを用いた量子/古典的ニューラルネットワークの定量的評価
- Authors: Suzukaze Kamei, Hideaki Kawaguchi, Shin Nishio, Tatakahiko Satoh,
- Abstract要約: tac-toe のゲームにおける Elo 評価に基づくゲーム解決ベンチマークを提案する。
古典畳み込みニューラルネットワーク(CNN)、量子畳み込みニューラルネットワーク(QCNN)、ハイブリッド古典量子モデルを比較した。
以上の結果から,従来のCNNに匹敵するElo評価を実現する一方,スタンドアロンのQCNNは現在のハードウェア制約下では性能が劣ることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: To evaluate the performance of quantum computing systems relative to classical counterparts and explore the potential for quantum advantage, we propose a game-solving benchmark based on Elo ratings in the game of tic-tac-toe. We compare classical convolutional neural networks (CNNs), quantum convolutional neural networks (QCNNs), and hybrid classical-quantum models by assessing their performance against a random-move agent in automated matches. Additionally, we implement a QCNN integrated with quantum communication and evaluate its performance to quantify the overhead introduced by noisy quantum channels. Our results show that the classical-quantum hybrid model achieves Elo ratings comparable to those of classical CNNs, while the standalone QCNN underperforms under current hardware constraints. The communication overhead was found to be modest. These findings demonstrate the viability of using game-based benchmarks for evaluating quantum computing systems and suggest that quantum communication can be incorporated with limited impact on performance, providing a foundation for future hybrid quantum applications.
- Abstract(参考訳): 従来の量子コンピューティングシステムと比較しての性能を評価し,量子優位性の可能性を探るため,tic-tac-toeゲームにおけるElo評価に基づくゲーム解決ベンチマークを提案する。
我々は,従来の畳み込みニューラルネットワーク(CNN),量子畳み込みニューラルネットワーク(QCNN),およびハイブリッド古典量子モデルを,ランダムな移動エージェントに対して自動一致で性能を評価することによって比較した。
さらに、量子通信と統合されたQCNNを実装し、その性能を評価し、ノイズの多い量子チャネルによってもたらされるオーバーヘッドを定量化する。
以上の結果から,従来のCNNに匹敵するElo評価を実現する一方,スタンドアロンのQCNNは現在のハードウェア制約下では性能が劣ることがわかった。
通信オーバーヘッドは軽度であることが判明した。
これらの結果は、量子コンピューティングシステムの評価にゲームベースのベンチマークを使うことの可能性を実証し、量子通信が性能に限られた影響を与えることを示唆し、将来のハイブリッド量子アプリケーションの基礎となることを示唆している。
関連論文リスト
- Synergy between noisy quantum computers and scalable classical deep learning [0.4999814847776097]
雑音量子コンピュータの計算能力と古典的スケーラブル畳み込みニューラルネットワーク(CNN)の組み合わせの可能性について検討する。
目標は、量子イジングモデルのトロッター分解力学を表すパラメータ化量子回路の正確な期待値を正確に予測することである。
量子情報のおかげで、古典的な記述子のみに基づく教師あり学習が失敗しても、私たちのCNNは成功します。
論文 参考訳(メタデータ) (2024-04-11T14:47:18Z) - 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) - Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。
本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。
我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
論文 参考訳(メタデータ) (2024-02-16T11:44:25Z) - 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) - Evaluating the performance of sigmoid quantum perceptrons in quantum
neural networks [0.0]
量子機械学習のための有望なアーキテクチャとして量子ニューラルネットワーク(QNN)が提案されている。
1つの候補は古典的パーセプトロンの非線形活性化関数をエミュレートするために設計された量子パーセプトロンである。
本稿では,SQPネットワークの性能と性能を,その有効次元と有効容量の計算によって評価する。
論文 参考訳(メタデータ) (2022-08-12T10:08:11Z) - On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing
Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。
この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。
マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文 参考訳(メタデータ) (2021-09-20T12:41:50Z) - 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 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。