論文の概要: Stochastic Quantum Spiking Neural Networks with Quantum Memory and Local Learning

• arxiv url: http://arxiv.org/abs/2506.21324v1
• Date: Thu, 26 Jun 2025 14:39:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.135521
• Title: Stochastic Quantum Spiking Neural Networks with Quantum Memory and Local Learning
• Title（参考訳）: 量子メモリと局所学習を用いた確率量子スパイクニューラルネットワーク
• Authors: Jiechen Chen, Bipin Rajendran, Osvaldo Simeone,
• Abstract要約: ニューロモルフィックと量子コンピューティングは、人工知能の進歩のための有望なパラダイムとして登場した。 本稿では、これらの課題に対処する量子スパイキング(SQS)ニューロンモデルを提案する。 SQSニューロンは、マルチキュービット量子回路を使用して、内部量子メモリを持つスパイクユニットを実現する。 提案したSQSNNモデルは、ニューロモルフィックコンピューティングの時系列効率を量子コンピューティングの指数的に大きな内部状態空間と融合させる。
• 参考スコア（独自算出の注目度）: 32.56953949580735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neuromorphic and quantum computing have recently emerged as promising paradigms for advancing artificial intelligence, each offering complementary strengths. Neuromorphic systems built on spiking neurons excel at processing time-series data efficiently through sparse, event-driven computation, consuming energy only upon input events. Quantum computing, on the other hand, leverages superposition and entanglement to explore feature spaces that are exponentially large in the number of qubits. Hybrid approaches combining these paradigms have begun to show potential, but existing quantum spiking models have important limitations. Notably, prior quantum spiking neuron implementations rely on classical memory mechanisms on single qubits, requiring repeated measurements to estimate firing probabilities, and they use conventional backpropagation on classical simulators for training. Here we propose a stochastic quantum spiking (SQS) neuron model that addresses these challenges. The SQS neuron uses multi-qubit quantum circuits to realize a spiking unit with internal quantum memory, enabling event-driven probabilistic spike generation in a single shot. Furthermore, we outline how networks of SQS neurons -- dubbed SQS neural networks (SQSNNs) -- can be trained via a hardware-friendly local learning rule, eliminating the need for global classical backpropagation. The proposed SQSNN model fuses the time-series efficiency of neuromorphic computing with the exponentially large inner state space of quantum computing, paving the way for quantum spiking neural networks that are modular, scalable, and trainable on quantum hardware.
• Abstract（参考訳）: ニューロモルフィックと量子コンピューティングは、人工知能の進歩のための有望なパラダイムとして最近登場し、それぞれが補完的な強みを提供している。 スパイキングニューロン上に構築されたニューロモルフィックシステムは、スパースでイベント駆動の計算によって効率的に時系列データを処理し、入力イベントのみにエネルギーを消費する。 一方、量子コンピューティングは重ね合わせと絡み合いを利用して、量子ビットの数で指数関数的に大きい特徴空間を探索する。 これらのパラダイムを組み合わせたハイブリッドアプローチはポテンシャルを示し始めているが、既存の量子スパイクモデルには重要な制限がある。 特に、以前の量子スパイクニューロンの実装は単一の量子ビット上の古典的な記憶機構に依存しており、発射確率を推定するために繰り返し測定する必要がある。 本稿では、これらの課題に対処する確率量子スパイキング(SQS)ニューロンモデルを提案する。 SQSニューロンは、マルチキュービット量子回路を使用して、内部量子メモリを持つスパイクユニットを実現し、単一ショットでイベント駆動の確率的スパイク生成を可能にする。 さらに、SQSニューラルネット(SQSNN)と呼ばれるSQSニューロンのネットワークが、ハードウェアフレンドリーなローカルラーニングルールによってどのようにトレーニングされ、グローバルな古典的バックプロパゲーションの必要性がなくなるかを概説する。 提案したSQSNNモデルは、ニューロモルフィックコンピューティングの時系列効率を量子コンピューティングの指数関数的に大きな内部状態空間と融合させ、モジュラーでスケーラブルで量子ハードウェアでトレーニング可能な量子スパイクニューラルネットワークの道を開く。

関連論文リスト

• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [2.2978333459052815]
  量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。 量子回路を局所的に近似する有接サロゲートqtDNNを導入する。 我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
  論文  参考訳（メタデータ） (2025-03-12T07:12:02Z)
• Predicting Chaotic Systems with Quantum Echo-state Networks [1.349950008899546]
  古典的エコー状態ネットワーク(ESN)の実装と改善を目的とした量子回路(QC)について検討する。 QESNは、量子コンピュータのユニークな能力を活用することで、違法に大規模な貯水池の必要性を減らすことを目指している。 カオスロレンツシステムにおいて,ノイズモデルとノイズレスモデルの両方を用いてシミュレーションQC実験を行い,回路性能を実証した。
  論文  参考訳（メタデータ） (2024-12-10T20:39:16Z)
• A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
  量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。 量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
  論文  参考訳（メタデータ） (2024-07-23T11:38:06Z)
• 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)
• Quantum Neural Network for Quantum Neural Computing [0.0]
  本稿では,量子ニューラルネットワークのための新しい量子ニューラルネットワークモデルを提案する。 我々のモデルは、状態空間のサイズがニューロンの数とともに指数関数的に大きくなるという問題を回避している。 我々は手書き文字認識や他の非線形分類タスクのモデルをベンチマークする。
  論文  参考訳（メタデータ） (2023-05-15T11:16:47Z)
• 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)
• Parametrized constant-depth quantum neuron [56.51261027148046]
  本稿では,カーネルマシンをベースとした量子ニューロン構築フレームワークを提案する。 ここでは、指数的に大きい空間にテンソル積特徴写像を適用するニューロンについて述べる。 パラメトリゼーションにより、提案されたニューロンは、既存のニューロンが適合できない基礎となるパターンを最適に適合させることができることが判明した。
  論文  参考訳（メタデータ） (2022-02-25T04:57:41Z)
• 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)
• 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。