論文の概要: The inherent convolution property of quantum neural networks

• arxiv url: http://arxiv.org/abs/2504.08487v1
• Date: Fri, 11 Apr 2025 12:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:18:27.438107
• Title: The inherent convolution property of quantum neural networks
• Title（参考訳）: 量子ニューラルネットワークの固有畳み込み特性
• Authors: Guangkai Qu, Zhimin Wang, Guoqiang Zhong, Yongjian Gu,
• Abstract要約: 量子ニューラルネットワーク(QNN)は、量子コンピューティングとディープラーニングの先駆的な交差点である。 我々はQNNに固有の基本的な畳み込み特性を明らかにし、量子状態における量子ゲート演算の自然な並列性から導かれる。 本稿では,QNNの畳み込み特性を明示的に活用する新しいQCNNアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 1.799933345199395
• License:
• Abstract: Quantum neural networks (QNNs) represent a pioneering intersection of quantum computing and deep learning. In this study, we unveil a fundamental convolution property inherent to QNNs, stemming from the natural parallelism of quantum gate operations on quantum states. Notably, QNNs are capable of performing a convolutional layer using a single quantum gate, whereas classical methods require 2^n basic operations. This essential property has been largely overlooked in the design of existing quantum convolutional neural networks (QCNNs), limiting their ability to capture key structural features of classical CNNs, including local connectivity, parameter sharing, and multi-channel, multi-layer architectures. To address these limitations, we propose novel QCNN architectures that explicitly harness the convolutional nature of QNNs. We validate the effectiveness of these architectures through extensive numerical experiments focused on multiclass image classification. Our findings provide deep insights into the realization of convolutional mechanisms within QNNs, marking a substantial advancement in the development of QCNNs and broadening their potential for efficient data processing.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、量子コンピューティングとディープラーニングの先駆的な交差点である。 本研究では,量子ゲート操作の量子状態に対する自然な並列性から,QNNに固有の基本的な畳み込み特性を明らかにする。 特に、QNNは単一の量子ゲートを使って畳み込み層を実行できるが、古典的な方法は2^nの基本演算を必要とする。 この重要な性質は、既存の量子畳み込みニューラルネットワーク(QCNN)の設計においてほとんど見過ごされ、ローカル接続、パラメータ共有、マルチチャネル多層アーキテクチャなど、従来のCNNの主要な構造的特徴をキャプチャする能力を制限している。 これらの制約に対処するため、我々はQNNの畳み込み特性を明示的に活用する新しいQCNNアーキテクチャを提案する。 マルチクラス画像分類に焦点をあてた広範な数値実験により,これらのアーキテクチャの有効性を検証した。 本研究は,QNNにおける畳み込み機構の実現に関する深い知見を提供し,QCNNの発展の著しい進展と,効率的なデータ処理の可能性を広げるものである。

関連論文リスト

• Shedding Light on the Future: Exploring Quantum Neural Networks through Optics [3.1935899800030096]
  量子ニューラルネットワーク(QNN)は、急速に発展する量子機械学習分野において、新興技術として重要な役割を果たす。 本稿では,QNNの概念とその物理的実現,特に量子光学に基づく実装について概説する。
  論文  参考訳（メタデータ） (2024-09-04T08:49:57Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• 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)
• Quantum-inspired Complex Convolutional Neural Networks [17.65730040410185]
  我々は、より豊かな表現能力とより良い非線形性を持つ複素数値重みを利用することにより、量子刺激ニューロンを改善した。 我々は、高次元データを処理できる量子インスパイアされた畳み込みニューラルネットワーク(QICNN)のモデルを描く。 5つのQICNNの分類精度をMNISTとCIFAR-10データセットで検証した。
  論文  参考訳（メタデータ） (2021-10-31T03:10:48Z)
• 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)
• 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)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• 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。