Fugu-MT 論文翻訳(概要): Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints

論文の概要: Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints

arxiv url: http://arxiv.org/abs/2505.05957v2
Date: Thu, 15 May 2025 10:43:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-16 12:00:18.750138
Title: Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints
Title（参考訳）: 画像分類のための効率的な量子畳み込みニューラルネットワーク:ハードウェア制約を克服する
Authors: Peter Röseler, Oliver Schaudt, Helmut Berg, Christian Bauckhage, Matthias Koch,
Abstract要約: 量子畳み込みニューラルネットワーク(CNN)は、古典的アプローチを上回る可能性を秘めている。本稿では,入力次元を大幅に削減する符号化方式を提案する。我々はIBMのHeron r2量子プロセッサの実験を検証し、分類精度は96.08%である。
参考スコア（独自算出の注目度）: 2.3895835682351287
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While classical convolutional neural networks (CNNs) have revolutionized image classification, the emergence of quantum computing presents new opportunities for enhancing neural network architectures. Quantum CNNs (QCNNs) leverage quantum mechanical properties and hold potential to outperform classical approaches. However, their implementation on current noisy intermediate-scale quantum (NISQ) devices remains challenging due to hardware limitations. In our research, we address this challenge by introducing an encoding scheme that significantly reduces the input dimensionality. We demonstrate that a primitive QCNN architecture with 49 qubits is sufficient to directly process $28\times 28$ pixel MNIST images, eliminating the need for classical dimensionality reduction pre-processing. Additionally, we propose an automated framework based on expressibility, entanglement, and complexity characteristics to identify the building blocks of QCNNs, parameterized quantum circuits (PQCs). Our approach demonstrates advantages in accuracy and convergence speed with a similar parameter count compared to both hybrid QCNNs and classical CNNs. We validated our experiments on IBM's Heron r2 quantum processor, achieving $96.08\%$ classification accuracy, surpassing the $71.74\%$ benchmark of traditional approaches under identical training conditions. These results represent one of the first implementations of image classifications on real quantum hardware and validate the potential of quantum computing in this area.
Abstract（参考訳）: 古典的畳み込みニューラルネットワーク(CNN)は画像分類に革命をもたらしたが、量子コンピューティングの出現は、ニューラルネットワークアーキテクチャを強化する新たな機会を提供する。量子CNN(QCNN)は量子力学特性を活用し、古典的アプローチよりも優れたポテンシャルを持つ。しかし、現在のノイズの多い中間規模量子(NISQ)デバイスへの実装は、ハードウェアの制限のため、依然として困難である。本研究では,入力次元を大幅に削減する符号化方式を導入することで,この問題に対処する。 49量子ビットのプリミティブQCNNアーキテクチャは28ドルのMNIST画像を直接処理するのに十分であることを示す。さらに,QCNN,パラメタライズド量子回路(PQC)の構成要素を特定するために,表現性,絡み合い,複雑性特性に基づく自動フレームワークを提案する。提案手法は, ハイブリッドQCNNと古典的CNNの双方と比較して, パラメータ数に類似した精度と収束速度の利点を示す。我々はIBMのHeron r2量子プロセッサの実験を検証し、分類精度は96.08 %で、同じトレーニング条件下での従来のアプローチのベンチマークである71.74 %を上回りました。これらの結果は、実際の量子ハードウェアにおける画像分類の最初の実装の1つであり、この分野における量子コンピューティングの可能性を検証するものである。

関連論文リスト

The inherent convolution property of quantum neural networks [1.799933345199395]
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。
論文参考訳（メタデータ） (2025-04-11T12:30:17Z)
HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
論文参考訳（メタデータ） (2025-04-03T16:13:34Z)
Quantum convolutional neural networks for jet images classification [0.0]
本稿では,高エネルギー物理学における量子機械学習の性能について述べる。このタスクには量子畳み込みニューラルネットワーク(QCNN)を使用し、その性能を古典的なノイズレスシミュレータを用いてCNNと比較する。以上の結果から,適切な設定のQCNNの方が,CNNよりも優れた性能を示す傾向が示唆された。
論文参考訳（メタデータ） (2024-08-16T12:28:10Z)
Optimizing Quantum Convolutional Neural Network Architectures for Arbitrary Data Dimension [2.9396076967931526]
量子畳み込みニューラルネットワーク(QCNN)は量子機械学習において有望なアプローチである。量子リソースの割り当てを最適化しながら任意の入力データ次元を処理できるQCNNアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-03-28T02:25:12Z)
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 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)
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)
Quantum convolutional neural network for classical data classification [0.8057006406834467]
古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2021-08-02T06:48:34Z)
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)
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)
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)

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。