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, 隆威 金子, Tomi Ohtsuki, 松下雄一郎

Published Sep 16, 2024• 0 citations
OpenAlex

Abstract

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。

Related papers

Nonparametric Regression Quantum Neural Networks

Do Ngoc Diep, Koji Nagata, Tadao Nakamura

In two pervious papers \cite{dndiep3}, \cite{dndiep4}, the first author constructed the least square quantum neural networks (LS-QNN), and ploynomial interpolation quantum neural networks ( PI-QNN), parametrico-stattistical QNN like: leanr regrassion quantum neural networks (LR-QNN), polynomial regression quantum neural networks (PR-QNN), chi-squared quantum neural netowrks ($χ^2$-QNN). We observed that the method works also in the cases by using nonparametric statistics. In this paper we analyze and implement the nonparametric tests on QNN such as: linear nonparametric regression quantum neural networks (LNR-QNN), polynomial nonparametric regression quantum neural networks (PNR-QNN). The implementation is constructed through the Gauss-Jordan Elimination quantum neural networks (GJE-QNN).The training rule is to use the high probability confidence regions or intervals.

arXiv:2002.02818•Feb 7, 2020•3 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 +3 more

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。

•Sep 26, 2024•0 citations

Statistical Tests and Confidential Intervals as Thresholds for Quantum Neural Networks

Do Ngoc Diep

Some basic quantum neural networks were analyzed and constructed in the recent work of the author \cite{dndiep3}, published in International Journal of Theoretical Physics (2020). In particular the Least Quare Problem (LSP) and the Linear Regression Problem (LRP) was discussed. In this second paper we continue to analyze and construct the least square quantum neural network (LS-QNN), the polynomial interpolation quantum neural network (PI-QNN), the polynomial regression quantum neural network (PR-QNN) and chi-squared quantum neural network ($χ^2$-QNN). We use the corresponding solution or tests as the threshold for the corresponding training rules.

arXiv:2001.11844•Jan 30, 2020•0 citations

Federated Quantum Neural Network with Quantum Teleportation for Resource Optimization in Future Wireless Communication

Bhaskara Narottama, Soo Young Shin

The following study introduces FT-QNN, a federated and quantum teleportation –based quantum neural network, utilized to optimize resource allocation for future wireless communications. The proposed FT-QNN consists of edge quantum neural networks (QNNs) and a cloud QNN, while quantum teleportation allows the cloud QNN to obtain the outputs of edge QNNs without requiring prior measurements on the output states, allowing the cloud to process the outputs directly as quantum states. As a particular case to demonstrate its applicability for wireless resource allocation, FT-QNN is then employed to optimize transmit power allocation coefficients in a power domain non-orthogonal multiple access (NOMA)-based system, aiming to maximize the achievable sum-rate. FT-QNN yields lower complexity compared to a distributed QNN scheme without quantum teleportation, while the numerical results also demonstrated that the FT-QNN is capable to achieve a similar sum-rate compared to the scheme without quantum teleportation.

IEEE Transactions on Vehicular Technology•Jan 1, 2023•37 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
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。
In two pervious papers \cite{dndiep3}, \cite{dndiep4}, the first author constructed the least square quantum neural networks (LS-QNN), and ploynomial interpolation quantum neural networks ( PI-QNN), parametrico-stattistical QNN like: leanr regrassion quantum neural networks (LR-QNN), polynomial regression quantum neural networks (PR-QNN), chi-squared quantum neural netowrks (χ2χ^2χ2-QNN). We observed that the method works also in the cases by using nonparametric statistics. In this paper we analyze and implement the nonparametric tests on QNN such as: linear nonparametric regression quantum neural networks (LNR-QNN), polynomial nonparametric regression quantum neural networks (PNR-QNN). The implementation is constructed through the Gauss-Jordan Elimination quantum neural networks (GJE-QNN).The training rule is to use the high probability confidence regions or intervals.
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。
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。
Some basic quantum neural networks were analyzed and constructed in the recent work of the author \cite{dndiep3}, published in International Journal of Theoretical Physics (2020). In particular the Least Quare Problem (LSP) and the Linear Regression Problem (LRP) was discussed. In this second paper we continue to analyze and construct the least square quantum neural network (LS-QNN), the polynomial interpolation quantum neural network (PI-QNN), the polynomial regression quantum neural network (PR-QNN) and chi-squared quantum neural network (χ2χ^2χ2-QNN). We use the corresponding solution or tests as the threshold for the corresponding training rules.
The following study introduces FT-QNN, a federated and quantum teleportation –based quantum neural network, utilized to optimize resource allocation for future wireless communications. The proposed FT-QNN consists of edge quantum neural networks (QNNs) and a cloud QNN, while quantum teleportation allows the cloud QNN to obtain the outputs of edge QNNs without requiring prior measurements on the output states, allowing the cloud to process the outputs directly as quantum states. As a particular case to demonstrate its applicability for wireless resource allocation, FT-QNN is then employed to optimize transmit power allocation coefficients in a power domain non-orthogonal multiple access (NOMA)-based system, aiming to maximize the achievable sum-rate. FT-QNN yields lower complexity compared to a distributed QNN scheme without quantum teleportation, while the numerical results also demonstrated that the FT-QNN is capable to achieve a similar sum-rate compared to the scheme without quantum teleportation.
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.