Rapid training of quantum recurrent neural networks

要約

時系列予測は、さまざまな分野での人間活動に不可欠です。
このタスクへの一般的なアプローチは、リカレント ニューラル ネットワーク (RNN) を利用することです。
ただし、彼らの予測は非常に正確ですが、学習プロセスは複雑であり、時間とエネルギーを消費します。
ここでは、連続可変量子リソースを含めることで RRN の概念を拡張し、これらの障害を克服するために量子強化 RNN を使用することを提案します。
連続変数量子 RNN (CV-QRNN) の設計は、連続変数量子コンピューティング パラダイムに基づいています。
大規模な数値シミュレーションを実行することにより、量子ネットワークがいくつかのタイプの時間データの時間依存性を学習できること、および古典的なネットワークよりも少ないエポックで最適な重みに収束することを実証します。
さらに、少数のトレーニング可能なパラメーターの場合、従来の対応するパラメーターよりも低い損失を達成できます。
CV-QRNN は、市販の量子フォトニック ハードウェアを使用して実装できます。

要約(オリジナル)

Time series prediction is essential for human activities in diverse areas. A common approach to this task is to harness Recurrent Neural Networks (RNNs). However, while their predictions are quite accurate, their learning process is complex and, thus, time and energy consuming. Here, we propose to extend the concept of RRNs by including continuous-variable quantum resources in it, and to use a quantum-enhanced RNN to overcome these obstacles. The design of the Continuous-Variable Quantum RNN (CV-QRNN) is rooted in the continuous-variable quantum computing paradigm. By performing extensive numerical simulations, we demonstrate that the quantum network is capable of learning-time dependence of several types of temporal data, and that it converges to the optimal weights in fewer epochs than a classical network. Furthermore, for a small number of trainable parameters, it can achieve lower losses than its classical counterpart. CV-QRNN can be implemented using commercially available quantum-photonic hardware.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google