양자 회로 C*-대수 네트워크

แนวคิดหลัก

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.

บทคัดย่อ

이 논문은 C*-대수 네트워크와 양자 회로를 연결하는 양자 회로 C*-대수 네트워크를 소개한다. C*-대수를 사용하면 양자 게이트를 신경망의 가중치 매개변수로 표현할 수 있다. 추가 매개변수를 도입하여 다중 회로 간 상호작용을 유도할 수 있다. 이 상호작용을 통해 회로들이 정보를 공유할 수 있어 기계 학습 성능 향상에 기여한다.

먼저 개별 양자 회로들이 상호작용 없이 분리된 경우를 다룬다. 이는 기존의 가환 C*-대수 네트워크에 해당한다. 이를 일반화하여 회로들 간 상호작용을 유도하는 비가환 C*-대수 네트워크로 확장한다.

양자 회로 C*-대수 네트워크의 응용으로, 고전 데이터를 양자 상태로 인코딩하는 방법을 제안한다. 표준 신경망을 사용하여 고전 데이터를 양자 상태로 변환하고, 양자 회로 C*-대수 네트워크를 통해 이를 개선된 양자 상태로 변환한다. 이렇게 얻은 양자 상태는 양자 기계 학습 알고리즘에 활용할 수 있다.

실험 결과, 상호작용이 있는 양자 회로 C*-대수 네트워크가 상호작용 없는 경우보다 이미지 분류 성능이 크게 향상되었다. 또한 양자 회로 C*-대수 네트워크로 인코딩된 양자 상태가 기존 방법과 비교해 양자 커널 기반 기계 학습에 유용함을 보였다.

สถิติ

양자 회로 C*-대수 네트워크의 상호작용이 없는 경우와 있는 경우의 MNIST, Fashion-MNIST, Kuzushiji-MNIST 데이터셋에 대한 테스트 정확도는 각각 0.8354, 0.9395, 0.9512, 0.9628, 0.9620과 0.3962, 0.8359, 0.8480, 0.8594, 0.8600이다.
양자 회로 C*-대수 네트워크로 인코딩된 양자 상태를 사용한 SVM 분류기의 MNIST, Fashion-MNIST, Kuzushiji-MNIST 데이터셋에 대한 테스트 정확도는 각각 0.9638, 0.8297, 0.8356이다.

คำพูด

없음

ข้อมูลเชิงลึกที่สำคัญจาก

Quantum Circuit $C^*$-algebra Net

by Yuka Hashimo... ที่ arxiv.org 04-10-2024

https://arxiv.org/pdf/2404.06218.pdf

สอบถามเพิ่มเติม

양자 회로 C*-대수 네트워크의 상호작용이 성능 향상에 기여하는 메커니즘은 무엇인가

양자 회로 C*-대수 네트워크의 상호작용이 성능 향상에 기여하는 주요 메커니즘은 비교적 독립적인 회로들 간의 정보 공유와 협력에 있습니다. 상호작용을 통해 각 회로는 다른 회로들의 정보에 간접적으로 접근하고 학습할 수 있습니다. 이는 각 회로가 더 많은 데이터에 가상적으로 접근할 수 있게 하여 더 나은 일반화 성능을 달성할 수 있도록 합니다. 또한, C*-대수의 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적 비교적