효율적인 양자 기계 학습을 위한 수정된 무극화 접근법
NISQ 환경에서 양자 시스템의 노이즈와 오류를 효율적으로 모델링하기 위해 기존 무극화 채널 표현을 단순화하는 새로운 접근법을 제안한다. 이를 통해 양자 기계 학습 모델의 성능을 유지하면서도 계산 복잡도를 크게 낮출 수 있다.
랜덤 행렬을 이용한 저장소 상태 설명 생성
랜덤 행렬을 사용하여 간단한 양자 시스템의 측정을 수행함으로써 실제 세계 컴퓨팅 응용 프로그램에 사용될 수 있는 원자 규모 장치에 대한 동기를 제공한다.
양자 기계 학습 활성화 함수를 위한 효율적인 양자 회로 설계, 상수 T-깊이 ReLU 포함
본 연구는 오류 허용 가능한 양자 컴퓨팅 아키텍처에 통합하기 위해 T-깊이를 최소화하는 ReLU 및 Leaky ReLU 활성화 함수의 양자 회로 구현을 제안한다. 또한 양자 룩업 테이블을 활용하여 시그모이드 등 다른 활성화 함수를 구현하고, 정밀도와 T-깊이를 조정할 수 있는 방법을 제시한다.
양자 회로 C*-대수 네트워크
C*-대수를 사용하여 양자 게이트를 신경망의 가중치 매개변수로 표현할 수 있으며, 추가 매개변수를 도입하여 다중 회로 간 상호작용을 유도할 수 있다. 이러한 상호작용을 통해 회로들이 정보를 공유할 수 있어 기계 학습 성능 향상에 기여한다.
양자 학습 알고리즘을 이용한 노이즈 선형 문제 해결
양자 샘플을 이용하여 노이즈 선형 문제를 효율적으로 해결할 수 있는 새로운 양자 및 고전 알고리즘을 제시한다.
양자 기계 학습의 포괄적인 검토: NISQ에서 오류 허용까지
양자 기계 학습은 양자 장치에서 기계 학습 알고리즘을 실행하는 것으로, 학계와 기업 모두에서 큰 관심을 끌고 있다. 이 논문은 양자 기계 학습 분야에서 등장한 다양한 개념들을 포괄적이고 공정하게 검토한다. 이는 NISQ 기술에서 사용되는 기법과 오류 허용 양자 컴퓨팅 하드웨어에 적합한 알고리즘에 대한 접근을 포함한다. 이 검토에서는 양자 기계 학습의 기본 개념, 알고리즘, 통계적 학습 이론을 다룬다.
양자 신경망 정확도 유지를 위한 칩 아키텍처 제한
양자 신경망 모델의 비용 함수는 매개변수화가 2-design에 가까워질수록 평균 값으로 수렴한다. 따라서 칩 아키텍처에 맞춰 매개변수화를 제한해도 모델 효율성이 크게 저하되지 않는다.
대칭성을 활용한 양자 신경망의 성능 분석: 고전 신경망과의 비교
대칭성을 활용한 양자 신경망(EQNN)과 양자 신경망(QNN)이 고전 신경망(ENN, DNN)에 비해 더 우수한 성능을 보인다. 특히 적은 수의 매개변수와 적은 양의 학습 데이터에서 그 차이가 두드러진다.
© 2024 by Linnk AI