Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

チャネル注意機構の導入による量子ニューラルネットワークの高精度化

大門 俊介, Budiutama Gekko, 西 紘史, 隆威 金子, Tomi Ohtsuki, 松下雄一郎

Published Sep 26, 2024• 0 citations
OpenAlex

Abstract

本研究では 量子畳み込みニューラルネット ワーク(QCNNs)向けのチャネル注意機構を提案する。 チャネル注意機構では従来のモデルで破棄される量子ビットの測定により確率分布のチ ャネルを定義し、各チャネルに重みパラメーターを割り当てる。チャネル注意機 構を導入した QCNNs の性能を評価するために、基底状態での量子相を予測する量子相認識タスクにおいて、従来のQCNNsと比較した。 従来の QCNN に比べて、チャネル注意機構を導入することにより QCNN の出力が理想的な解に近づいた。チャネ ル注意機構を導入したQCNN は少ないエポック数で訓練することができ、QCNN の学習コストの抑制につながった。

Related papers

量子畳みこみニューラルネットワークのチャネル注意機構の提案

Gekko Budiutama, 大門 俊介, 西 紘史 +3 more

量子コンピュータ上での機械学習アルゴリズムとして、量子畳み込みニューラルネット ワーク(QCNNs)が提案された[1]。他の量子ニューラルネットワークと比較して、QCNNs は勾配消失問題に耐性を示し、画像認識から量子相の認識まで成功を収めた[2]。しかし、 古典コンピュータで解決不可能な課題に対して、量子コンピュータ上で QCNNs を活用す るために QCNNs の性能向上とコストの削減が求められる。 この課題を解決するために、本研究では QCNNs 向けのチャネル注意機構を提案する[3]。 チャネル注意機構では従来のモデルで破棄される量子ビットの測定により確率分布のチ ャネルを定義し、各チャネルに重みパラメーターを割り当てる(図 a)。チャネル注意機 構を導入した QCNNs の性能を評価するために、基底状態での量子相を予測する量子相認 識タスクにおいて、従来の QCNNs と比較した。 従来の QCNN に比べて、チャネル注意機構を導入することにより QCNN の出力が理想 的な解に近づいた(図 b)。チャネル注意機構を導入した QCNN は少ないエポック数で 訓練することができ、QCNN の学習コストの抑制につながった。また、チャネル注意機構 を導入した QCNN は量子・古典機械学習としてみなすことができ、従来のハイブリッド 手法であるQCNN-feedforward Neural Networkとの比較を行った。その結果、チャネル注 意機構は少ないパラメーター数で従来のハイブリッド手法よりも高精度で量子相を認識 することができた。提案したチャネル注 意機構は QCNNs の実用性を高め、より 複雑な問題の解決に重要である。

•Mar 20, 2024•0 citations

量子相認識に向けた量子畳み込みニューラルネットワークのチャネル注意機構の提案

Gekko Budiutama, 大門 俊介, 西 紘史 +3 more

量子畳み込みニューラルネットワーク(QCNNs)は、量子コンピュータ上での機械学習アルゴリ ズムとして有望なアプローチの一つである[1]。QCNNsは量子位相認識といった様々な学習タスク で成功を収めており[2]、勾配消失問題に耐性があるため、トレーニングが容易である。しかし、 QCNNsの実用性を向上させるためには、トレーニングコストの削減と性能の向上が不可欠である。 本研究では、QCNNsに向けたチャネル注意機構を提案する[3]。このチャネル注意機構では、従 来のQCNNsで破棄される量子ビットを測定することにより出力状態のチャネルを生成し、各チャ ネルに重要性を示す重みパラメータが割り当てられる(図 a)。基底状態から量子相を予測する 量子相認識タスクにおいて、チャネル注意機構を導入したQCNNと従来のQCNNを比較した。 その結果、チャネル注意機構を導入した QCNN は、正しい状態の確率を高め、予測結果を理想 的な解に近づけた(図 b)。さらに、チャネル注意機構は QCNN の訓練エポック数を大幅に削減 し、訓練コストを抑えることができた。また、QCNN−古典ニューラルネットワークの従来のハイ ブリッドモデルに比較した結果、 チャネル注意機構を導入した QCNN はより少ないパラメータ かつ高精度で量子相を認識する ことができた。したがって、提案 したチャネル注意機構は QCNNs の実用性、汎用性、および使いや すさを向上する高効率かつ低コ ストな手法である。

•Mar 25, 2024•0 citations

チャネル注意機構による量子ニューラルネットワークの性能向上の理論

Budiutama Gekko, 大門 俊介, 西 紘史 +3 more

前回大会では量子ニューラルネットワーク(QNN)にチャネル注意機構を導入することで性能が向上することを報告した。今回の講演では、この性能向上を正当化する理論的証明について述べる。一般にQNNが実現できる変換はユニタリ変換に限られるが、チャネル注意機構により非ユニタリ変換が実現される。この非ユニタリ変換は、十分なQNNの深さと注意量子ビット数があれば、任意の入出力関係を近似できることを示す。

•Sep 16, 2024•0 citations

Quantum convolutional neural network for Alzheimer’s disease diagnosis

Fazil Sheikh, Salim Y. Amdani, Shaini Suraj

‘Quantum Convolutional Neural Networks’ - QCNN is quantum machine learning model that has the potential of improving the accuracy of Alzheimer’s Disease (AD) diagnosis. Alzheimer’s disease - a neurodegenerative disorder - is considered to be the major cause of Dementia. Early diagnosis of AD is critical for improving patient outcomes. However, current diagnostic methods are often less accurate and time-consuming. QCNNs are able to learn complex features from data, which could be used to identify early signs of AD thereby resulting in an early diagnosis of a disease. This proposed technique will investigate the use of QCNN for AD diagnosis. A QCNN will be trained on a large image dataset from healthy controls & AD patients. The QCNN will then be fine-tuned on a smaller image datasets of patients with suspected AD. The performance of the QCNN will be evaluated on a test dataset of images from patients with suspected AD. This work attempts to design and develop a technique for early disease diagnosis. The QCNN could achieve 88% accuracy in classifying the data(2022) Li et al.[2]. They used a QCNN to diagnose AD from brain functional connectivity data. In another study, by Chen et al.[3], a QCNN could achieve 90% accuracy in classifying the images (2022). So taking inspiration from this, we are proposing to fine tune the QCNN in such a way as to further improve its performance and thereby resulting in more accuracy. The results of the proposed work would highlight the potential of QCNN for AD early diagnosis. If the results are promising, QCNN could be a valuable tool for early diagnosis of Alzheimer’s disease and thereby assists in saving millions of lives.

AIP conference proceedings•Jan 1, 2024•1 citation

Quantum Convolutional Neural Network On Scale Chaology

Guoming Chen, Ruqi Zhou, Xiongyong Zhu +3 more

In this paper we propose a quantum convolutional neural network(QCNN) based chaotic metric classification for chaology scaling-down images in the tensorflow quantum framework. The chaology image is properly downscaled with the measurement of spatial occupancy and granularity introduced by fractal dimension and the dimensionality of the overall input space is reduce before it is fed into the QCNNs quantum circuit for state preparation, quantum convolution and quantum pooling. The experimental results show that QCNN, Hybrid QCNN and Hybrid QCNN with multiple quantum filters have achieved relatively high accuracies on more than 94%, and convergence of these three kinds of QCNN classifier has a small fluctuation which indicates that through this scale transformation the discrepancy among the different quantum hybrid classifiers is minimized to some extent.

International Congress on Image and Signal Processing (CISP)•Oct 17, 2020•2 citations

最適な量子測定に基づく量子ニューラルネットワーク分類器の性能評価

優作 山田

最近の量子コンピュータの研究は,ノイズの影響を受けやすい,NISQデバイスと呼ばれる量子コンピュータの活用が研究されている.NISQデバイスは量子ニューラルネットワーク(以下,QNN)による,古典-量子アルゴリズムで応用されている.このアルゴリズムは教師あり分類問題において,4つのステップで構成されている.(1)古典データを量子状態に埋め込む回路を初期状態に作用させる.(2)パラメータに依存する回路を適用する.(3)Z基底測定で測定をする.(4)古典最適化アルゴリズムを用いて,最適なパラメータを見つけ,量子回路を更新する.その後,更新したパラメータでテストデータを分類する. 先行研究では,アルゴリズムのステップ(1)と(2)を重要視し,ヒューリスティックに回路を設計して量子優位性を主張している.先行研究で提案されていることは,2量子ビット間のエンタングルメント回路を取り入れることと,古典ニューラルネットワークのように,量子回路を繰り返すことである.このことによって量子優位性が得られ,教師あり分類問題に関して,本質的で重要な要素であることを主張している. 本研究は,先行研究の主張を受けて,次の2つのことを主張する.1つ目は,ヒューリスティックに構成されたエンタングルメントや回路の繰り返しは,分類問題において本質的でないこと.2つ目は,分類問題において本質的に重要なことは,任意の軸回りにおける測定の最適化をすることである.提案方法は,測定により得る古典データを分析する前に,量子状態に対して個別に任意の軸回りにパラメータ化された単一回転ゲートを作用させ,最適な測定を行うことである. 本研究で使用したデータは,人工的な2値分類データと実データのIris Data Setである.これらのデータにおいて,先行研究では,分類できないと主張されているような単純な回路でも,測定最適化をすることで分類精度が95%を超える結果が得られた.また,測定最適化した回路は,調査した全ての回路に対して分類精度が向上することが確認でき,最大で7%の分類精度から91%の分類精度への向上が見られた.さらに,測定最適化を行うことで,実データであるIris Data Setに対しても,先行研究のQNN分類器の分類精度と同等の分類精度93%の結果が得られた.測定最適化は,単一の量子ビットにしか作用されず,そのパラメータ数も量子ビットに対して線形にしか増えない.以上の結果と利点により,QNNの分類問題において本質的に重要なことは,測定の最適化であると主張する.

•Mar 24, 2023•0 citations
本研究では 量子畳み込みニューラルネット ワーク(QCNNs)向けのチャネル注意機構を提案する。 チャネル注意機構では従来のモデルで破棄される量子ビットの測定により確率分布のチ ャネルを定義し、各チャネルに重みパラメーターを割り当てる。チャネル注意機 構を導入した QCNNs の性能を評価するために、基底状態での量子相を予測する量子相認識タスクにおいて、従来のQCNNsと比較した。 従来の QCNN に比べて、チャネル注意機構を導入することにより QCNN の出力が理想的な解に近づいた。チャネ ル注意機構を導入したQCNN は少ないエポック数で訓練することができ、QCNN の学習コストの抑制につながった。
量子コンピュータ上での機械学習アルゴリズムとして、量子畳み込みニューラルネット ワーク(QCNNs)が提案された[1]。他の量子ニューラルネットワークと比較して、QCNNs は勾配消失問題に耐性を示し、画像認識から量子相の認識まで成功を収めた[2]。しかし、 古典コンピュータで解決不可能な課題に対して、量子コンピュータ上で QCNNs を活用す るために QCNNs の性能向上とコストの削減が求められる。 この課題を解決するために、本研究では QCNNs 向けのチャネル注意機構を提案する[3]。 チャネル注意機構では従来のモデルで破棄される量子ビットの測定により確率分布のチ ャネルを定義し、各チャネルに重みパラメーターを割り当てる(図 a)。チャネル注意機 構を導入した QCNNs の性能を評価するために、基底状態での量子相を予測する量子相認 識タスクにおいて、従来の QCNNs と比較した。 従来の QCNN に比べて、チャネル注意機構を導入することにより QCNN の出力が理想 的な解に近づいた(図 b)。チャネル注意機構を導入した QCNN は少ないエポック数で 訓練することができ、QCNN の学習コストの抑制につながった。また、チャネル注意機構 を導入した QCNN は量子・古典機械学習としてみなすことができ、従来のハイブリッド 手法であるQCNN-feedforward Neural Networkとの比較を行った。その結果、チャネル注 意機構は少ないパラメーター数で従来のハイブリッド手法よりも高精度で量子相を認識 することができた。提案したチャネル注 意機構は QCNNs の実用性を高め、より 複雑な問題の解決に重要である。
量子畳み込みニューラルネットワーク(QCNNs)は、量子コンピュータ上での機械学習アルゴリ ズムとして有望なアプローチの一つである[1]。QCNNsは量子位相認識といった様々な学習タスク で成功を収めており[2]、勾配消失問題に耐性があるため、トレーニングが容易である。しかし、 QCNNsの実用性を向上させるためには、トレーニングコストの削減と性能の向上が不可欠である。 本研究では、QCNNsに向けたチャネル注意機構を提案する[3]。このチャネル注意機構では、従 来のQCNNsで破棄される量子ビットを測定することにより出力状態のチャネルを生成し、各チャ ネルに重要性を示す重みパラメータが割り当てられる(図 a)。基底状態から量子相を予測する 量子相認識タスクにおいて、チャネル注意機構を導入したQCNNと従来のQCNNを比較した。 その結果、チャネル注意機構を導入した QCNN は、正しい状態の確率を高め、予測結果を理想 的な解に近づけた(図 b)。さらに、チャネル注意機構は QCNN の訓練エポック数を大幅に削減 し、訓練コストを抑えることができた。また、QCNN−古典ニューラルネットワークの従来のハイ ブリッドモデルに比較した結果、 チャネル注意機構を導入した QCNN はより少ないパラメータ かつ高精度で量子相を認識する ことができた。したがって、提案 したチャネル注意機構は QCNNs の実用性、汎用性、および使いや すさを向上する高効率かつ低コ ストな手法である。
前回大会では量子ニューラルネットワーク(QNN)にチャネル注意機構を導入することで性能が向上することを報告した。今回の講演では、この性能向上を正当化する理論的証明について述べる。一般にQNNが実現できる変換はユニタリ変換に限られるが、チャネル注意機構により非ユニタリ変換が実現される。この非ユニタリ変換は、十分なQNNの深さと注意量子ビット数があれば、任意の入出力関係を近似できることを示す。
‘Quantum Convolutional Neural Networks’ - QCNN is quantum machine learning model that has the potential of improving the accuracy of Alzheimer’s Disease (AD) diagnosis. Alzheimer’s disease - a neurodegenerative disorder - is considered to be the major cause of Dementia. Early diagnosis of AD is critical for improving patient outcomes. However, current diagnostic methods are often less accurate and time-consuming. QCNNs are able to learn complex features from data, which could be used to identify early signs of AD thereby resulting in an early diagnosis of a disease. This proposed technique will investigate the use of QCNN for AD diagnosis. A QCNN will be trained on a large image dataset from healthy controls & AD patients. The QCNN will then be fine-tuned on a smaller image datasets of patients with suspected AD. The performance of the QCNN will be evaluated on a test dataset of images from patients with suspected AD. This work attempts to design and develop a technique for early disease diagnosis. The QCNN could achieve 88% accuracy in classifying the data(2022) Li et al.[2]. They used a QCNN to diagnose AD from brain functional connectivity data. In another study, by Chen et al.[3], a QCNN could achieve 90% accuracy in classifying the images (2022). So taking inspiration from this, we are proposing to fine tune the QCNN in such a way as to further improve its performance and thereby resulting in more accuracy. The results of the proposed work would highlight the potential of QCNN for AD early diagnosis. If the results are promising, QCNN could be a valuable tool for early diagnosis of Alzheimer’s disease and thereby assists in saving millions of lives.
In this paper we propose a quantum convolutional neural network(QCNN) based chaotic metric classification for chaology scaling-down images in the tensorflow quantum framework. The chaology image is properly downscaled with the measurement of spatial occupancy and granularity introduced by fractal dimension and the dimensionality of the overall input space is reduce before it is fed into the QCNNs quantum circuit for state preparation, quantum convolution and quantum pooling. The experimental results show that QCNN, Hybrid QCNN and Hybrid QCNN with multiple quantum filters have achieved relatively high accuracies on more than 94%, and convergence of these three kinds of QCNN classifier has a small fluctuation which indicates that through this scale transformation the discrepancy among the different quantum hybrid classifiers is minimized to some extent.
最近の量子コンピュータの研究は,ノイズの影響を受けやすい,NISQデバイスと呼ばれる量子コンピュータの活用が研究されている.NISQデバイスは量子ニューラルネットワーク(以下,QNN)による,古典-量子アルゴリズムで応用されている.このアルゴリズムは教師あり分類問題において,4つのステップで構成されている.(1)古典データを量子状態に埋め込む回路を初期状態に作用させる.(2)パラメータに依存する回路を適用する.(3)Z基底測定で測定をする.(4)古典最適化アルゴリズムを用いて,最適なパラメータを見つけ,量子回路を更新する.その後,更新したパラメータでテストデータを分類する. 先行研究では,アルゴリズムのステップ(1)と(2)を重要視し,ヒューリスティックに回路を設計して量子優位性を主張している.先行研究で提案されていることは,2量子ビット間のエンタングルメント回路を取り入れることと,古典ニューラルネットワークのように,量子回路を繰り返すことである.このことによって量子優位性が得られ,教師あり分類問題に関して,本質的で重要な要素であることを主張している. 本研究は,先行研究の主張を受けて,次の2つのことを主張する.1つ目は,ヒューリスティックに構成されたエンタングルメントや回路の繰り返しは,分類問題において本質的でないこと.2つ目は,分類問題において本質的に重要なことは,任意の軸回りにおける測定の最適化をすることである.提案方法は,測定により得る古典データを分析する前に,量子状態に対して個別に任意の軸回りにパラメータ化された単一回転ゲートを作用させ,最適な測定を行うことである. 本研究で使用したデータは,人工的な2値分類データと実データのIris Data Setである.これらのデータにおいて,先行研究では,分類できないと主張されているような単純な回路でも,測定最適化をすることで分類精度が95%を超える結果が得られた.また,測定最適化した回路は,調査した全ての回路に対して分類精度が向上することが確認でき,最大で7%の分類精度から91%の分類精度への向上が見られた.さらに,測定最適化を行うことで,実データであるIris Data Setに対しても,先行研究のQNN分類器の分類精度と同等の分類精度93%の結果が得られた.測定最適化は,単一の量子ビットにしか作用されず,そのパラメータ数も量子ビットに対して線形にしか増えない.以上の結果と利点により,QNNの分類問題において本質的に重要なことは,測定の最適化であると主張する.