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。
量子機械学習(QML)は,従来の機械学習(ML)タスク(例えば,分類/回帰)における潜在的高速化と改善のために有望である。理想的なQMLモデルの探索は活発な研究分野である。これは,効率的な古典的-量子データ符号化方式の同定,最適表現性とエンタングルメント能力によるパラメトリック量子回路(PQC)の構築,および測定の必要な数を最小にするための効率的な出力復号化方式を含み,少数を名付ける。しかし,経験的/数値的研究の大部分は,スケーラビリティに対する明確な経路がない。模擬環境で観察された任意の潜在的利益は,雑音のある量子ハードウェア(例えば,デコヒーレンス,ゲートエラー,および漏話)の制限のために,実際の応用において減少する可能性がある。古典的深層ニューラルネットワークアーキテクチャに触発されたスケーラブル量子古典的ハイブリッド深層ニューラルネットワーク(DeepQMLP)アーキテクチャを提示した。深層QMLPでは,積層浅い量子ニューラルネットワーク(QNN)モデルは,古典的フィードフォワード多層パーセプトロンネットワークの隠れ層を模倣する。各QNN層は次の層に対する入力データの新しい潜在的に豊富な表現を生成する。この新しい表現は回路のパラメータによって調整することができる。浅いQNNモデルは,より少ないデコヒーレンス,ゲートエラーなどを経験し,量子雑音に対してそれらをより弾力性にする。DeepQMLPの訓練性を示すために,様々な分類問題に関する数値研究を提示した。また,深QMLPは,非意味データ上で合理的に良好に機能し,深い量子回路を使用するQNNモデルよりも,雑音に対してより大きなレジリエンスを示すことも示した。深いQMLPは,QMLPよりノイズの下で推論中に25.3%低い損失と7.92%高い精度を提供した。【JST・京大機械翻訳】