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、その潜在的な可能性により最近大きな注目を集めている新しい機械学習パラダイムを表します。
特定の条件下では、これらのモデルは切り捨てられたフーリエ級数を使用してデータセットの分布を近似します。
この近似の三角関数の性質により、角度埋め込み量子ニューラル ネットワークが特定のデータセット内の非調和特徴を近似するのに苦労する可能性があります。
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です。
この研究では、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す、解釈可能な新しいクラスのハイブリッド量子ニューラル ネットワークを導入します。その後、2 つの出力は次のようになります。
直線的に結合されます。
量子ニューラル ネットワークがトレーニング セットに基づいて滑らかな正弦波基盤を作成し、その後、古典的パーセプトロンがランドスケープ内の非調和ギャップを埋めることが観察されます。
この主張を、ノイズとして追加された突起を含む周期分布からサンプリングされた 2 つの合成データセットで実証します。
トレーニング結果は、並列ハイブリッド ネットワーク アーキテクチャにより、ノイズが追加された周期的なデータセットに対するソリューションの最適性が向上する可能性があることを示しています。

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, Google