論文の概要: Evaluating Parameter-Based Training Performance of Neural Networks and Variational Quantum Circuits

• arxiv url: http://arxiv.org/abs/2504.07273v1
• Date: Wed, 09 Apr 2025 21:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:23:35.810739
• Title: Evaluating Parameter-Based Training Performance of Neural Networks and Variational Quantum Circuits
• Title（参考訳）: ニューラルネットワークと変分量子回路のパラメータベーストレーニング性能の評価
• Authors: Michael Kölle, Alexander Feist, Jonas Stein, Sebastian Wölckert, Claudia Linnhoff-Popien,
• Abstract要約: 変分量子回路(VQC)はニューラルネットワーク(NN)に代わる有望な代替手段を提供する VQCは量子力学を利用して複雑な関係を捉え、通常より少ないパラメータを必要とする。 VQCは、トレーニング期間が長いにもかかわらず、非常に少ないパラメータを使用しながら、NNと性能を一致させることができることを示す。
• 参考スコア（独自算出の注目度）: 43.528848176938844
• License:
• Abstract: In recent years, neural networks (NNs) have driven significant advances in machine learning. However, as tasks grow more complex, NNs often require large numbers of trainable parameters, which increases computational and energy demands. Variational quantum circuits (VQCs) offer a promising alternative: they leverage quantum mechanics to capture intricate relationships and typically need fewer parameters. In this work, we evaluate NNs and VQCs on simple supervised and reinforcement learning tasks, examining models with different parameter sizes. We simulate VQCs and execute selected parts of the training process on real quantum hardware to approximate actual training times. Our results show that VQCs can match NNs in performance while using significantly fewer parameters, despite longer training durations. As quantum technology and algorithms advance, and VQC architectures improve, we posit that VQCs could become advantageous for certain machine learning tasks.
• Abstract（参考訳）: 近年、ニューラルネットワーク(NN)は機械学習に大きな進歩をもたらしている。 しかし、タスクが複雑化するにつれて、NNは大量のトレーニング可能なパラメータを必要とし、計算とエネルギーの要求が増加する。 変分量子回路(VQC)は、量子力学を利用して複雑な関係を捉え、通常より少ないパラメータを必要とする。 本研究では,NNとVQCを単純な教師付きおよび強化学習タスクで評価し,パラメータサイズの異なるモデルについて検討する。 VQCをシミュレートし、実際の量子ハードウェア上でトレーニングプロセスの選択部分を実行し、実際のトレーニング時間を近似する。 この結果から,VQCは,トレーニング期間が長いにもかかわらず,パラメータを著しく少なくしながら,NNと性能を一致させることができることがわかった。 量子技術とアルゴリズムが進歩し、VQCアーキテクチャが向上するにつれて、VQCが特定の機械学習タスクに有利になる可能性があると仮定する。

関連論文リスト

• Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
  我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。 分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。 SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-12T17:35:36Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping [60.086820254217336]
  近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。 重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。 修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
  論文  参考訳（メタデータ） (2022-12-22T13:23:19Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Reservoir Computing via Quantum Recurrent Neural Networks [0.5999777817331317]
  既存のVQCまたはQNNベースの手法は、量子回路パラメータの勾配に基づく最適化を行うために、かなりの計算資源を必要とする。 本研究では、量子リカレントニューラルネットワーク(QRNN-RC)に貯水池計算(RC)フレームワークを適用し、逐次モデリングにアプローチする。 数値シミュレーションにより、QRNN-RCは、複数の関数近似および時系列タスクに対して、完全に訓練されたQRNNモデルに匹敵する結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-11-04T17:30:46Z)
• Learning capability of parametrized quantum circuits [2.51657752676152]
  変分量子アルゴリズム(VQA)とそのパラメタライズド量子回路(PQC)による量子機械学習分野への応用は、ノイズの多い中間スケール量子コンピューティングデバイスを活用する主要な方法の1つであると考えられている。 本稿では、Schuldらによる研究に基づいて、学習能力の新たな尺度を用いて、PQCの一般的なアンス・アゼと比較する。 また,Beerらが導入した分散量子ニューラルネットワーク(dQNN)についても検討し,その学習能力を高めるために,dQNNのデータ再アップロード構造を提案する。
  論文  参考訳（メタデータ） (2022-09-21T13:26:20Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Quantum agents in the Gym: a variational quantum algorithm for deep Q-learning [0.0]
  本稿では、離散的かつ連続的な状態空間に対するRLタスクを解くために使用できるパラメタライズド量子回路(PQC)のトレーニング手法を提案する。 量子Q学習エージェントのどのアーキテクチャ選択が、特定の種類の環境をうまく解決するのに最も重要であるかを検討する。
  論文  参考訳（メタデータ） (2021-03-28T08:57:22Z)
• Recurrent Quantum Neural Networks [7.6146285961466]
  リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。 非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。 我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
  論文  参考訳（メタデータ） (2020-06-25T17:59:44Z)

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。