論文の概要: A Novel Parallel QCNN Architecture with Efficient Classical Simulability
- arxiv url: http://arxiv.org/abs/2607.08928v1
- Date: Thu, 09 Jul 2026 20:44:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.737208
- Title: A Novel Parallel QCNN Architecture with Efficient Classical Simulability
- Title（参考訳）: 効率的な古典的シミュラビリティを備えた並列QCNNアーキテクチャ
- Authors: Lawrence Nguyen, Hiu Yung Wong,
- Abstract要約: 本研究は、画像のバイナリ分類のための新しい量子畳み込みニューラルネットワーク(QCNN)の実装を示す。
階層的なパーティショニング手法を用いてQCNN回路を実装し、古典的マシン上で効率的に近似およびシミュレートできる。
本研究では,従来のスーパーコンピュータでは新しいアーキテクチャを使わずに動作できない128量子ビットモデルをトレーニングするために,この方式を用いる。
- 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: This work presents a study of an implementation of a novel Quantum Convolutional Neural Network (QCNN) for binary classification of images from the Modified National Institute of Standards and Technology (MNIST) dataset. Using a novel architecture inspired by previous QCNN and classical convolutional neural network (CNN) implementations, we use a hierarchical partitioning approach to implement a QCNN circuit that can be approximated and simulated efficiently on a classical machine for a large problem. First, the original image is partitioned such that each process handles a smaller portion of the image, which is encoded into independent states. Then, these partitions merge and combine, resulting in states that contain information from both partitions while halving the number of processes. After repeating this until one process remains, we reduce the dimensionality of the state until a single qubit remains for measurement. Using this approach, we can use multiple processes in parallel to simulate a large QCNN program without the need for exponentially growing hardware requirements as the number of qubits increases. In our work, we use this scheme to train a 128-qubit model, which is impossible to run on any classical supercomputer without the novel architecture. We also explore the impact of this new model architecture on prediction accuracy by training it to perform binary classification on the MNIST dataset with a small number of qubits, and comparing it to a model without partitioning. Our initial findings show that partitioning images into smaller sub-images with this architecture does not degrade the model's performance and sometimes even improves it, likely because it reduces the Barren plateaus issue in the partitioning process.
- Abstract（参考訳）: 本研究は、修正国立標準技術研究所(MNIST)データセットからの画像のバイナリ分類のための新しい量子畳み込みニューラルネットワーク(QCNN)の実装について述べる。
従来のQCNNと古典畳み込みニューラルネットワーク(CNN)の実装にインスパイアされた新しいアーキテクチャを用いて、階層的なパーティショニングアプローチを用いて、QCNN回路を実装する。
まず、元の画像が分割され、各プロセスが画像の小さな部分を処理し、独立した状態に符号化される。
そして、これらのパーティションが結合して結合し、結果として、プロセスの数を半分にしながら、両方のパーティションの情報を含む状態になる。
これを1つの過程が残るまで繰り返すと、1つのキュービットが測定のために残るまで状態の次元性を減少させる。
このアプローチを用いることで、キュービット数が増加するにつれてハードウェア要求が指数関数的に増加することなく、並列に複数のプロセスを用いて大規模なQCNNプログラムをシミュレートすることができる。
本研究では,従来のスーパーコンピュータでは新しいアーキテクチャを使わずに動作できない128量子ビットモデルをトレーニングするために,この方式を用いる。
また、このモデルアーキテクチャが予測精度に与える影響についても検討し、少数の量子ビットを持つMNISTデータセット上でバイナリ分類を実行し、分割せずにモデルと比較する。
このアーキテクチャで画像を小さなサブイメージに分割することは、モデルの性能を劣化させることなく、時には改善することを示している。
関連論文リスト
- Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints [2.3895835682351287]
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。
論文 参考訳（メタデータ） (2025-05-09T11:09:52Z) - Recurrent Neural Networks for Still Images [0.0]
我々は、RNNが静止画をシーケンスとして解釈することで効果的に処理できることを論じる。
本稿では、画像などの2次元入力に適した新しいRNN設計と、従来の実装よりもメモリ効率が高いBiDirectional RNN(BiRNN)のカスタムバージョンを紹介する。
論文 参考訳（メタデータ） (2024-09-10T06:07:20Z) - Tiled Bit Networks: Sub-Bit Neural Network Compression Through Reuse of Learnable Binary Vectors [4.95475852994362]
本稿では,バイナリ重み付きニューラルネットワークのサブビット圧縮を実現するために,ビット列を持つタイル型ニューラルネットワーク層に対する新しい量子化方式を提案する。
私たちは完全に接続された層と畳み込み層の両方にアプローチを採用しています。
論文 参考訳（メタデータ） (2024-07-16T15:55:38Z) - Serpent: Scalable and Efficient Image Restoration via Multi-scale Structured State Space Models [22.702352459581434]
サーペントは高解像度画像復元のための効率的なアーキテクチャである。
本稿では,Serpentが最先端技術に匹敵する再現性が得られることを示す。
論文 参考訳（メタデータ） (2024-03-26T17:43:15Z) - Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。
我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。
SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-10-23T18:37:22Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。
CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。
近年,圧縮領域から直接学習できる深層学習手法が注目されている。
論文 参考訳（メタデータ） (2020-12-26T15:00:10Z) - Once Quantization-Aware Training: High Performance Extremely Low-bit
Architecture Search [112.05977301976613]
本稿では,ネットワークアーキテクチャ検索手法と量子化手法を組み合わせることで,両者のメリットを享受することを提案する。
まず、多数の量子化モデルを取得するために、共有ステップサイズでアーキテクチャと量子化の合同トレーニングを提案する。
次に、量子化されたモデルを低ビットに転送するためにビット継承方式を導入し、さらに時間コストを削減し、量子化精度を向上させる。
論文 参考訳（メタデータ） (2020-10-09T03:52:16Z) - Binarizing MobileNet via Evolution-based Searching [66.94247681870125]
そこで本稿では,MobileNet をバイナライズする際の構築と訓練を容易にするための進化的探索手法を提案する。
ワンショットアーキテクチャ検索フレームワークに着想を得て、グループ畳み込みのアイデアを操り、効率的な1ビット畳み込みニューラルネットワーク(CNN)を設計する。
我々の目標は、グループ畳み込みの最良の候補を探索することで、小さなが効率的なバイナリニューラルアーキテクチャを考案することである。
論文 参考訳（メタデータ） (2020-05-13T13:25:51Z)
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。