A Quantum Neural Network Transfer-Learning Model for Forecasting Problems with Continuous and Discrete Variables

要約

この研究では、予測タスクの転送学習アプローチとして、シンプルでありながら効果的な連続的および離散的に変数の量子ニューラルネットワーク（QNN）モデルを紹介します。
CV-QNNは、エンタングルメントを確立するための2つのキュービットを備えた単一量子層を備えており、変位、回転、ビームスプリッター、絞り、および非ガウスの立方相を含む最小限の量子ゲートを利用し、最大8つのトレーニング可能なパラメーターを備えています。
このモデルの重要な利点は、単一のデータセットでトレーニングすることができることです。その後、学習したパラメーターを、細かくない場合、他の予測問題に転送できます。
最初にクルディスタンの負荷需要データセットで訓練されたモデルの凍結パラメーターは、エネルギー消費、交通の流れ、気象条件、暗号通貨の価格予測など、さまざまな予測タスクに正常に適用され、パフォーマンスが強いことが示されています。
さらに、この研究では、同等の2線と4線の構成を備えた離散性変数量子モデルを導入し、パフォーマンス評価を提示し、連続した変数モデルと比較して良好ではあるが比較的低い有効性を示しています。

要約(オリジナル)

This study introduces simple yet effective continuous- and discrete-variable quantum neural network (QNN) models as a transfer-learning approach for forecasting tasks. The CV-QNN features a single quantum layer with two qubits to establish entanglement and utilizes a minimal set of quantum gates, including displacement, rotation, beam splitter, squeezing, and a non-Gaussian cubic-phase gate, with a maximum of eight trainable parameters. A key advantage of this model is its ability to be trained on a single dataset, after which the learned parameters can be transferred to other forecasting problems with little to no fine-tuning. Initially trained on the Kurdistan load demand dataset, the model’s frozen parameters are successfully applied to various forecasting tasks, including energy consumption, traffic flow, weather conditions, and cryptocurrency price prediction, demonstrating strong performance. Furthermore, the study introduces a discrete-variable quantum model with an equivalent 2- and 4-wire configuration and presents a performance assessment, showing good but relatively lower effectiveness compared to the continuous-variable model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google