量子状態における古典的データ学習のためのハイブリッドシステム【JST・京大機械翻訳】

Stein Samuel A.; L'Abbate Ryan; Mu Wenrui; Liu Yue; Baheri Betis; Mao Ying; Guan Qiang; Li Ang; Fang Bo

プレプリント

J-GLOBAL ID：202202207013907968 整理番号：21P0064787

量子状態における古典的データ学習のためのハイブリッドシステム【JST・京大機械翻訳】

A Hybrid System for Learning Classical Data in Quantum States

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2020年11月30日プレプリントサーバーでの情報更新日： 2021年08月20日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

深層ニューラルネットワーク駆動人工知能は,様々なアプリケーションで日常生活を急速に変化させた。しかし,深層ニューラルネットワークの必須ステップの一つとして,重加重ネットワーク訓練は大量の計算資源を必要とする。特に,Mooreの法則時代において,半導体製作技術の限界は,高強度訓練データの増加に対処するために,学習アルゴリズムの開発を制限した。一方,量子コンピューティングは,伝統的に計算集約的な作業負荷をスピードアップするという点で,その重要な可能性を実証した。例えば,Googleは,200秒でサンプリング計算タスクを完了することにより,世界最大のスーパーコンピュータ上で実行できない,量子スプリマシーを例証した。この目的のために,量子ベース学習は,量子高速化の可能性で関心領域になった。本論文では,量子状態を通して古典的データを学習するためのハイブリッドおよび汎用量子フレームワークであるGenQuを提案した。実際のデータセットを用いてGenQuを評価し,シミュレーションおよび実際の量子コンピュータIBM-Qの両方について実験を行った。著者らの評価は,古典的解と比較して,GenQuフレームワーク上で走る提案モデルは,はるかに小さい数の量子ビットと類似の精度を達成し,一方,パラメータサイズを最大95.86%まで,そして,収束速度を3.33%速く収束させることを示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る