論文の概要: Simulating Nonlinearity in Quantum Neural Networks While Mitigating Barren Plateaus

• arxiv url: http://arxiv.org/abs/2504.13980v1
• Date: Fri, 18 Apr 2025 06:04:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 08:04:25.577981
• Title: Simulating Nonlinearity in Quantum Neural Networks While Mitigating Barren Plateaus
• Title（参考訳）: 量子ニューラルネットワークにおけるバレン高原の緩和に伴う非線形性のシミュレーション
• Authors: Ding-Dang Yang,
• Abstract要約: 量子ニューラルネットワーク(QNN)は、非線形挙動を実現し、パラメータを効果的に最適化する上で重要な課題に直面する。 本研究では、テイラー級数展開を通じて非線形性をモデル化し、テンソル積を用いて級数基底を生成することにより、これらの問題に対処する。 QNNをMNISTデータセットとFashion MNISTデータセットで実装し、提案手法の評価を行い、それぞれ98.7%と88.3%のテスト精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum neural networks (QNNs) encounter significant challenges in realizing nonlinear behavior and effectively optimizing parameters. This study addresses these issues by modeling nonlinearity through a Taylor series expansion, where the method uses tensor products to generate the series basis, and parameterized unitary matrices define the corresponding coefficients. This design substantially reduces quantum circuit depth compared to conventional methods that rely on parameterized quantum gates, thereby mitigating the barren plateau problem. A QNN was implemented and tested on the MNIST and Fashion MNIST datasets to evaluate the proposed method, achieving test accuracies of 98.7% and 88.3%, respectively. With noise added, the accuracy decreased slightly to 98.6% and 87.2%.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、非線形挙動を実現し、パラメータを効果的に最適化する上で重要な課題に直面する。 本研究はテイラー級数展開を通じて非線形性をモデル化することによりこれらの問題に対処し、この手法はテンソル積を用いて級数基底を生成し、パラメータ化されたユニタリ行列は対応する係数を定義する。 この設計は、パラメータ化された量子ゲートに依存する従来の方法に比べて量子回路の深さを大幅に減らし、バレンプラトー問題を緩和する。 QNNをMNISTデータセットとFashion MNISTデータセットで実装し、提案手法の評価を行い、それぞれ98.7%と88.3%のテスト精度を達成した。 ノイズが加わったことにより、精度は98.6%と87.2%にわずかに低下した。

関連論文リスト

• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• Diffusion-Enhanced Optimization of Variational Quantum Eigensolver for General Hamiltonians [17.975555487972166]
  変分量子アルゴリズム(VQA)は、現在の雑音量子デバイスにおいて量子優位を達成するための有望なアプローチとして登場した。 しかし、それらの大規模応用は、バレンプラトー(BP)現象、局所ミニマ、多数の反復要求など、最適化上の課題によって著しく妨げられている。 本研究では,これらの問題に対処するために,デノナイジング拡散モデル(DM)を活用する。
  論文  参考訳（メタデータ） (2025-01-10T02:32:46Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• A Quantum Neural Network-Based Approach to Power Quality Disturbances Detection and Recognition [15.789631792979366]
  電力品質障害(PQD)は電力システムの安定性と信頼性に大きな影響を及ぼす。 本稿では,PQDの検出と認識のための改良型量子ニューラルネットワーク(QNN)モデルを提案する。 このモデルは、障害の検出、7つの単一障害の認識、10の混合障害の認識を含む実験で99.75%、97.85%、95.5%の精度を達成する。
  論文  参考訳（メタデータ） (2024-06-05T09:10:11Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
  線形化されたラプラス近似に下界を導入する。 これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
  論文  参考訳（メタデータ） (2023-06-06T19:02:57Z)
• Bayesian deep learning framework for uncertainty quantification in high dimensions [6.282068591820945]
  我々はベイズニューラルネットワーク(BNN)とハミルトンモンテカルロ(HMC)に基づく偏微分方程式の不確実性定量化のための新しい深層学習法を開発した。 BNNは、ネットワークパラメータに対してベイズ推論を行うことにより、ディープニューラルネットワークにおけるパラメータの後方分布を効率的に学習する。 後部分布は、HMCを用いて効率よくサンプリングされ、システムの不確かさを定量化する。
  論文  参考訳（メタデータ） (2022-10-21T05:20:06Z)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• NIPQ: Noise proxy-based Integrated Pseudo-Quantization [9.207644534257543]
  量子化対応トレーニング(QAT)におけるストレートスルー推定器(STE)の不安定収束 アクティベーションと重みの両面において擬似量子化を統一的にサポートする新しいノイズプロキシベース統合擬似量子化(NIPQ)を提案する。 NIPQは、様々なビジョンや言語アプリケーションにおける既存の量子化アルゴリズムよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-06-02T01:17:40Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Efficient Uncertainty Quantification for Dynamic Subsurface Flow with Surrogate by Theory-guided Neural Network [0.0]
  理論誘導ニューラルネットワーク(TgNN)により構築された代理体を用いた動的地下流れの効率的な不確実性定量化手法を提案する。 パラメータ、時間、位置はニューラルネットワークの入力であり、関心の量は出力である。 トレーニングされたニューラルネットワークは、新しいパラメータで地下流れ問題の解を予測することができる。
  論文  参考訳（メタデータ） (2020-04-25T12:41:57Z)

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。