Parallel Hybrid Networks: an interplay between quantum and classical neural networks

要約

量子ニューラルネットワークは、新しい機械学習のパラダイムであり、その潜在的な可能性から最近注目を集めている。ある条件下では、これらのモデルは、データセットの分布を切り詰めたフーリエ級数で近似します。この近似は三角関数的な性質を持っているため、角度を埋め込んだ量子ニューラルネットワークは、与えられたデータセットの非調和的な特徴に適合するのに苦労することになる。さらに、ニューラルネットワークの解釈可能性は依然として課題となっている。本研究では、データセットの入力を1）古典的な多層パーセプトロンと2）変分量子回路に並列に渡し、両者の出力を線形結合する、新しい解釈可能なクラスのハイブリッド量子ニューラルネットワークを紹介します。その結果、量子ニューラルネットワークが訓練セットに基づいて滑らかな正弦波の基礎を作り、古典パーセプトロンがその景観の非調和的なギャップを埋めることが確認された。この主張を、突起をノイズとして加えた周期的な分布からサンプリングした2つの合成データセットで実証した。訓練結果は、並列ハイブリッドネットワークアーキテクチャが、ノイズを加えた周期的なデータセットにおいて解の最適性を改善できることを示す。

要約(オリジナル)

Quantum neural networks represent a new machine learning paradigm that has recently attracted much attention due to its potential promise. Under certain conditions, these models approximate the distribution of their dataset with a truncated Fourier series. The trigonometric nature of this fit could result in angle-embedded quantum neural networks struggling to fit the non-harmonic features in a given dataset. Moreover, the interpretability of neural networks remains a challenge. In this work, we introduce a new, interpretable class of hybrid quantum neural networks that pass the inputs of the dataset in parallel to 1) a classical multi-layered perceptron and 2) a variational quantum circuit, and then the outputs of the two are linearly combined. We observe that the quantum neural network creates a smooth sinusoidal foundation base on the training set, and then the classical perceptrons fill the non-harmonic gaps in the landscape. We demonstrate this claim on two synthetic datasets sampled from periodic distributions with added protrusions as noise. The training results indicate that the parallel hybrid network architecture could improve the solution optimality on periodic datasets with additional noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL