量子ニューラルネットワークのマッピング能力を高めるための反復幅のエンコーディング方法

科学分野:

• 量子コンピューティング
• 機械学習
• 人工知能

背景:

• 量子ニューラルネットワーク (QNN) は,量子機械学習の急速に発展している分野です.
• 現在のQNNは,特性のマッピングに使用される量子ゲートの線形性により,マッピング能力に制限があります.
• QNNのマッピング能力の向上は,QNNのより広範な適用性にとって極めて重要です.

研究 の 目的:

• QNNのための新しい反復幅のエンコーディング方法を提案し,評価する.
• 既存の線形変換を超えて,QNNのデータマッピング能力を向上させる.
• 伝統的なエンコーディング技術と比較して,提案されたメソッドの優れたパフォーマンスを実証する.

主な方法:

• 古典的なデータを再利用することで,複数の量子ビットブロックの確率幅をコードする反復幅のエンコーディング方法が導入されます.
• 提案された方法は,MNISTデータセットを使用して,既存のエンコーディング方法との性能を比較するためにテストされました.
• 貯水池の石質の識別,IRIS,WINeの分類データセットで有効性がさらに検証されました.

主要な成果:

• 繰り返し振幅のエンコーディングは,クラス数が固定されたとき,他の方法よりも優れたパフォーマンスを示しました.
• クラスが固定された数の隠しレイヤーで増加するにつれて,反復アンプリチュードエンコーディングの性能優位性はより顕著になりました.
• 提案されたQNN方法は,さまざまなデータセットにおける古典的なニューラルネットワークと比較して,適応性と優れた分類性能を示した.

結論:

• QNNのマッピング能力を大幅に向上させる.
• この新しいアプローチは,様々な分類作業におけるQNNのパフォーマンスを改善するための有望な解決策を提供します.
• この方法は石油・ガス探査や 一般的な機械学習などの 分野での実用的な応用の可能性を示しています