論文の概要: Enhanced Variational Quantum Kolmogorov-Arnold Network
- arxiv url: http://arxiv.org/abs/2503.22604v1
- Date: Fri, 28 Mar 2025 16:47:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-31 15:31:15.858659
- Title: Enhanced Variational Quantum Kolmogorov-Arnold Network
- Title（参考訳）: 変分量子コルモゴロフ・アルノルドネットワークの強化
- Authors: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono,
- Abstract要約: Kolmogorov-Arnold Network (KAN) は、ニューロモルフィックコンピューティングにおいてその効率が認められた新しい多層ネットワークモデルである。
Kanはブロックエンコーディングと量子信号処理を使って量子コンピュータに実装できるが、これらの方法はフォールトトレラントな量子デバイスを必要とする。
本稿では,この制限を克服するための拡張変分量子コルモゴロフ・アルノルドネットワーク(EVQKAN)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The Kolmogorov-Arnold Network (KAN) is a novel multi-layer network model recognized for its efficiency in neuromorphic computing, where synapses between neurons are trained linearly. Computations in KAN are performed by generating a polynomial vector from the state vector and layer-wise trained synapses, enabling efficient processing. While KAN can be implemented on quantum computers using block encoding and Quantum Signal Processing, these methods require fault-tolerant quantum devices, making them impractical for current Noisy Intermediate-Scale Quantum (NISQ) hardware. We propose the Enhanced Variational Quantum Kolmogorov-Arnold Network (EVQKAN) to overcome this limitation, which emulates KAN through variational quantum algorithms. The EVQKAN ansatz employs a tiling technique to emulate layer matrices, leading to significantly higher accuracy compared to conventional Variational Quantum Kolmogorov-Arnold Network (VQKAN) and Quantum Neural Networks (QNN), even with a smaller number of layers. EVQKAN achieves superior performance with a single-layer architecture, whereas QNN and VQKAN typically struggle. Additionally, EVQKAN eliminates the need for Quantum Signal Processing, enhancing its robustness to noise and making it well-suited for practical deployment on NISQ-era quantum devices.
- Abstract（参考訳）: Kolmogorov-Arnold Network (KAN) は、ニューロン間のシナプスを線形に訓練するニューロモルフィックコンピューティングにおいて、その効率が認められた新しい多層ネットワークモデルである。
kanの計算は、状態ベクトルと層単位で訓練されたシナプスから多項式ベクトルを生成し、効率的な処理を可能にする。
Kanはブロック符号化と量子信号処理を使って量子コンピュータに実装できるが、これらの方法はフォールトトレラントな量子デバイスを必要とするため、現在のノイズ中間量子(NISQ)ハードウェアでは実用的ではない。
本稿では,変分量子アルゴリズムを用いてKANをエミュレートする拡張変分量子コルモゴロフ・アルノルドネットワーク(EVQKAN)を提案する。
EVQKANアンザッツは層行列をエミュレートするタイリング技術を採用しており、従来の変分量子コルモゴロフ・アルノルドネットワーク(VQKAN)や量子ニューラルネットワーク(QNN)と比較して、少ない層数であっても精度が大幅に向上した。
EVQKANは単層アーキテクチャで優れたパフォーマンスを達成するが、QNNとVQKANは通常苦労する。
さらに、EVQKANは量子信号処理の必要性を排除し、ノイズに対する堅牢性を高め、NISQ時代の量子デバイスへの実用的な展開に適している。
関連論文リスト
- QKAN: Quantum Kolmogorov-Arnold Networks [0.6597195879147557]
Kolmogorov-Arnold Networks (KAN)と呼ばれる新しいニューラルネットワークアーキテクチャが登場し、コルモゴロフ-Arnold表現定理の構成構造に着想を得た。
我々のQKANは、量子特異値変換を含む強力な量子線型代数ツールを利用して、ネットワークの端にパラメータ化活性化関数を適用する。
QKANはブロックエンコーディングに基づいており、本質的に直接量子入力に適している。
論文 参考訳（メタデータ） (2024-10-06T10:11:57Z) - 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) - Variational Quantum Circuits Enhanced Generative Adversarial Network [5.209320054725053]
我々は、GAN(QC-GAN)を改善するためのハイブリッド量子古典アーキテクチャを提案する。
QC-GANは1層ニューラルネットワークと共に量子変動回路で構成され、識別器は従来のニューラルネットワークで構成されている。
また、QC-GANが16ドル以上の画像を生成することのできない代替量子GAN、すなわちpathGANよりも優れていることを示した。
論文 参考訳（メタデータ） (2024-02-02T03:59:35Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - 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) - QuCNN : A Quantum Convolutional Neural Network with Entanglement Based
Backpropagation [9.760266670459446]
QuCNNはパラメータ化されたマルチ量子状態ベースのニューラルネットワーク層で、各量子フィルタ状態と各量子データ状態の類似性を演算する。
バック伝搬は単一アンシラビット量子ルーチンによって達成できる。
MNISTイメージの小さなサブセットにデータ状態とフィルタ状態の畳み込み層を適用して検証する。
論文 参考訳（メタデータ） (2022-10-11T13:36:15Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。
提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。
交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
論文 参考訳（メタデータ） (2021-06-19T04:37:39Z) - 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) - 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。