確率的変分最適化によるハイブリッド古典量子分類器の訓練【JST・京大機械翻訳】

Nikoloska Ivana; Simeone Osvaldo

プレプリント

J-GLOBAL ID：202202216276363864 整理番号：22P0277789

確率的変分最適化によるハイブリッド古典量子分類器の訓練【JST・京大機械翻訳】

Training Hybrid Classical-Quantum Classifiers via Stochastic Variational Optimization

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 (2件)： ,
資料名：
発行年： 2022年01月21日プレプリントサーバーでの情報更新日： 2022年01月21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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

量子マシン学習は,近項量子デバイスの潜在的実用化として浮上している。本研究では,一般化線形モデル(QGLM)を実行する量子確率ニューロンの第一層が第二古典的結合層に従う2層ハイブリッド古典的量子分類器を研究した。第1,隠れ,層への入力は,ニューロン当たりの量子ビット数における量子ニューロンのファンインの指数サイズを利用するために,振幅符号化により得られた。QGLMの実装を容易にするために,すべての重みと活性化はバイナリである。このクラスのモデルに対する訓練戦略に関する最先端は,網羅的探索および単一ニューロンパーセプトロン様ビットフリップ戦略に限定されているが,本論文では,確率的勾配降下により量子および古典的層の関節訓練を可能にする確率的変分最適化アプローチを導入した。実験により,QGLMニューロンにより実装された様々な活性化関数に対するアプローチの利点を示した。【JST・京大機械翻訳】

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

人工知能 , 量子力学一般

, , , , ,

前のページに戻る