3D Scalable Quantum Convolutional Neural Networks for Point Cloud Data Processing in Classification Applications

要約

ノイズの多い中規模量子 (NISQ) 時代の始まりとともに、量子ニューラル ネットワーク (QNN) は、古典的なニューラル ネットワークでは解決できないいくつかの特定の問題に対する解決策として最近登場しました。
さらに、量子畳み込みニューラル ネットワーク (QCNN) は、QNN とは対照的に高次元ベクトル入力を処理できるため、CNN の量子バージョンです。
ただし、量子コンピューティングの性質上、QCNN をスケールアップして十分な数の特徴を抽出することは困難です。
これに動機付けられて、分類アプリケーションでの点群データ処理用に、新しい 3D スケーラブル QCNN (sQCNN-3D) が提案されています。
さらに、量子コンピューティングの忠実度を使用して限られた数のキュービットで機能を多様化するために、sQCNN-3D の上に逆忠実度トレーニング (RF-Train) が追加で考慮されます。
私たちのデータ集約的なパフォーマンス評価は、提案されたアルゴリズムが望ましいパフォーマンスを達成することを検証します。

要約(オリジナル)

With the beginning of the noisy intermediate-scale quantum (NISQ) era, a quantum neural network (QNN) has recently emerged as a solution for several specific problems that classical neural networks cannot solve. Moreover, a quantum convolutional neural network (QCNN) is the quantum-version of CNN because it can process high-dimensional vector inputs in contrast to QNN. However, due to the nature of quantum computing, it is difficult to scale up the QCNN to extract a sufficient number of features due to barren plateaus. Motivated by this, a novel 3D scalable QCNN (sQCNN-3D) is proposed for point cloud data processing in classification applications. Furthermore, reverse fidelity training (RF-Train) is additionally considered on top of sQCNN-3D for diversifying features with a limited number of qubits using the fidelity of quantum computing. Our data-intensive performance evaluation verifies that the proposed algorithm achieves desired performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google