Quantum Curriculum Learning

要約

量子機械学習 (QML) では、量子の利点を達成するために大量の量子リソースが必要です。
研究では、量子アーキテクチャの効率的な設計と、リソースの使用を最適化するための学習戦略の開発の両方を優先する必要があります。
私たちは、量子データのための量子カリキュラム学習 (Q-CurL) と呼ばれるフレームワークを提案します。このフレームワークでは、カリキュラムは、より困難なタスクに進む前に、より単純なタスクまたはデータを学習モデルに導入します。
タスク間のデータ密度比に基づいてカリキュラム基準を定義し、カリキュラムの順序を決定します。
また、損失関数の最適化における量子データの重要性を強調するために、動的学習スケジュールを実装します。
経験的証拠は、Q-CurL がユニタリ学習タスクのトレーニング収束と一般化を強化し、量子位相認識タスクの堅牢性を向上させることを示しています。
私たちのフレームワークは一般的な学習戦略を提供し、QML を実用的な利点の実現に近づけます。

要約(オリジナル)

Quantum machine learning (QML) requires significant quantum resources to achieve quantum advantage. Research should prioritize both the efficient design of quantum architectures and the development of learning strategies to optimize resource usage. We propose a framework called quantum curriculum learning (Q-CurL) for quantum data, where the curriculum introduces simpler tasks or data to the learning model before progressing to more challenging ones. We define the curriculum criteria based on the data density ratio between tasks to determine the curriculum order. We also implement a dynamic learning schedule to emphasize the significance of quantum data in optimizing the loss function. Empirical evidence shows that Q-CurL enhances the training convergence and the generalization for unitary learning tasks and improves the robustness of quantum phase recognition tasks. Our framework provides a general learning strategy, bringing QML closer to realizing practical advantages.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google