.png){kind=icon}
返回
Tensor ring optimized quantum-enhanced tensor neural networks
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-025-00281-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子机器学习研究者通常依赖将张量网络（TN）融入深度神经网络（DNN）和变分优化。然而，用于训练每个模型层收缩的可训练权重的标准优化技术，在经典实现中受到模型参数之间的关联和纠缠结构的影响。为解决此问题，提出了一种包含级联纠缠门替换张量网络（TN）的全连接（密集）层的张量环优化变分量子学习分类器（Quan-TR）的多层设计，并将其称为张量环优化量子增强张量神经网络（TR-QNet）。TR-QNet参数通过在量子比特测量上使用随机梯度下降算法进行优化。提出的TR-QNet在三个不同数据集上进行了评估，即Iris、MNIST和CIFAR-10，以展示其在二分类任务中实现的增强精度。在量子模拟中，提出的TR-QNet在Iris、MNIST和CIFAR-10数据集上分别达到了94.5%、86.16%和83.54%的有前景的精度。对当前先进量子与经典TN模型的基准研究已进行，以展示所提出的TR-QNet的有效性。此外，TR-QNet的可扩展性突显了其在大型深度学习应用中展现的潜力。TR-QNet的PyTorch实现可在Github https://github.com/konar1987/TR-QNet/ 上获取。
Keyword:
Quantum computing
Tensor networks
IBM quantum computer
Qubit
期刊
Q
IF:
4.4
论文数:
453
被引数:
796
机构
引用论文
Tensor Methods in Computer Vision and Deep Learning计算机视觉和深度学习中的张量方法.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏Matrix product states, projected entangled pair states, and variational renormalization group methods for quantum spin systems量子自旋系统的矩阵乘积态，投影纠缠态和变分重归一化组方法ADVANCES IN PHYSICSOAAI
ADVANCES IN PHYSICSIF13.8
OAAI分享收藏
查看更多内容