文献

J-GLOBAL ID：202102266506870677   整理番号：21A0151919

量子畳込みニューラルネットワーク(QCNN)に関するチュートリアル【JST・京大機械翻訳】

A Tutorial on Quantum Convolutional Neural Networks (QCNN)

著者 (3件)： Oh Seunghyeok (Korea University,School of Electrical Engineering,Seoul,Republic of Korea) ,  Choi Jaeho (Chung-Ang University,School of Computer Science and Engineering,Seoul,Republic of Korea) ,  Kim Joongheon (Korea University,School of Electrical Engineering,Seoul,Republic of Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICTC  ページ： 236-239  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 畳込みニューラルネットワーク(CNN)はコンピュータビジョンにおけるポピュラーなモデルであり,データの相関情報をうまく利用することの利点を持っている。しかし,CNNは,データまたはモデルの与えられた次元が大きすぎる場合,効率的に学習するのが困難であった。量子畳込みニューラルネットワーク(QCNN)は,量子コンピューティング環境を用いたCNNの解決や,既存の学習モデルの性能を改善するための方向への新しい解決策を提供する。量子コンピューティング環境に対するCNNの構造を適用することにより,量子物理学と化学における分類問題を効果的に解くためのモデルを提案した。また,研究は,マルチスケールエンタングルメント再正規化(MERA)を用いて,O(log(n))深さで計算できるモデルも提案する。第2の研究では,既存のコンピュータビジョンで使用されるCNN学習モデルに量子計算を用いて層を加えることにより,モデルの性能を改善する方法を紹介した。本モデルは,小さな量子コンピュータでも使用でき,ハイブリッド学習モデルは,CNNモデルに量子畳込み層を追加するか,または畳み込み層とそれを置き換えることによって設計することができる。また,本論文は,QCNNモデルが,TensorFlow量子プラットフォームを通して,MNISTデータセットを用いた訓練を通してCNNと比較して効率的な学習が可能であるかどうかを検証した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *畳込み ,  学習モデル ,  コンピュータビジョン ,  正規化 ,  量子計算 ,  量子コンピュータ
準シソーラス用語： *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 量子 ,  畳込みニューラルネットワーク ,  チュートリアル