抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
量子コンピュータの急速な発展により,それらに対していくつかの応用が提案されている。量子シミュレーション,化学反応のシミュレーション,最適化問題の解法および量子ニューラルネットワーク(QNN)は,いくつかの用例であった。しかし,雑音,量子ビットと回路深さの限られた数,および勾配消失のような問題は,それらのフルポテンシャルにそれらを使用する前に解決しなければならない。量子機械学習の分野で,いくつかのモデルを提案した。一般的に,これらの異なるモデルを訓練するために,モデルパラメータに関してコスト関数の勾配を用いた。この勾配を得るために,モデルパラメータに関してこの関数の導関数を計算する必要がある。このタスクを実行するための文献において最も使用される方法の一つは,パラメータシフトルール法である。この方法はQNNの各パラメータに対して2倍のコスト関数の評価から成る。この方法による問題は,評価の数がパラメータ数と共に線形的に増大することである。本研究では,探索勾配を用いてパラメータを反復的に更新するブラックボックス最適化アルゴリズムのファミリーである進化戦略(ES)と呼ばれる代替法を提案した。ES法の利点は,それを用いてコスト関数を評価する回数を制御できることである。ES法を二値分類タスクに適用し,この方法がQNNを訓練するための実行可能な代替法であることを示した。しかし,その性能は用いたハイパーパラメータに強く依存することを観測した。さらに,パラメータシフトルール法のようなこの方法が勾配消失の問題に悩まされることも観察した。【JST・京大機械翻訳】