QKSAN: A Quantum Kernel Self-Attention Network

要約

Self-Attention Mechanism (SAM) は、データの内部から重要な情報を抽出してモデルの計算効率を向上させることに優れています。
それにもかかわらず、多くの量子機械学習 (QML) モデルには、SAM のような情報の本質的なつながりを区別する機能が欠けており、大規模な高次元量子データに対する有効性が制限されます。
上記の問題に取り組むために、量子カーネル セルフ アテンション メカニズム (QKSAM) が導入され、量子カーネル メソッド (QKM) のデータ表現のメリットと SAM の効率的な情報抽出機能が組み合わされます。
さらに、QKSAM に基づいて量子カーネル セルフ アテンション ネットワーク (QKSAN) フレームワークが提案されています。これには遅延測定原理 (DMP) と条件付き測定技術が巧みに組み込まれており、回路中間の測定によって量子リソースの半分を解放します。これにより、実現可能性と
適応力。
同時に、より多くの情報を収容して測定条件を決定するために、指数関数的に大きな特性空間を持つ量子カーネル セルフ アテンション スコア (QKSAS) が生成されます。
最終的に、4 つの QKSAN サブモデルが PennyLane および IBM Qiskit プラットフォームにデプロイされ、MNIST および Fashion MNIST でバイナリ分類が実行されます。QKSAS テストとノイズ耐性と学習能力の間の相関評価は、最もパフォーマンスの高いサブモデルで実行されます。
最も重要な実験結果は、部分的な QKSAN サブクラスで潜在的な学習上の利点が明らかになり、古典的な機械学習モデルよりも合計がはるかに少ない非常に少数のパラメーターで 98.05% を超える驚異的な高精度を獲得するということです。
予想どおり、QKSAN は、量子コンピューター ビジョンなどの分野の進歩を促進しながら、大量のデータに対して機械学習を実行するための将来の量子コンピューターの基盤を築きます。

要約(オリジナル)

Self-Attention Mechanism (SAM) excels at distilling important information from the interior of data to improve the computational efficiency of models. Nevertheless, many Quantum Machine Learning (QML) models lack the ability to distinguish the intrinsic connections of information like SAM, which limits their effectiveness on massive high-dimensional quantum data. To tackle the above issue, a Quantum Kernel Self-Attention Mechanism (QKSAM) is introduced to combine the data representation merit of Quantum Kernel Methods (QKM) with the efficient information extraction capability of SAM. Further, a Quantum Kernel Self-Attention Network (QKSAN) framework is proposed based on QKSAM, which ingeniously incorporates the Deferred Measurement Principle (DMP) and conditional measurement techniques to release half of quantum resources by mid-circuit measurement, thereby bolstering both feasibility and adaptability. Simultaneously, the Quantum Kernel Self-Attention Score (QKSAS) with an exponentially large characterization space is spawned to accommodate more information and determine the measurement conditions. Eventually, four QKSAN sub-models are deployed on PennyLane and IBM Qiskit platforms to perform binary classification on MNIST and Fashion MNIST, where the QKSAS tests and correlation assessments between noise immunity and learning ability are executed on the best-performing sub-model. The paramount experimental finding is that a potential learning advantage is revealed in partial QKSAN subclasses that acquire an impressive more than 98.05% high accuracy with very few parameters that are much less in aggregate than classical machine learning models. Predictably, QKSAN lays the foundation for future quantum computers to perform machine learning on massive amounts of data while driving advances in areas such as quantum computer vision.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google