คำถามติดแท็ก neural-network

Deep Learning (เครือข่ายประสาทเทียมหลายชั้นที่ใช้ในงานการเรียนรู้ด้วยเครื่องภายใต้การดูแลและไม่ได้รับการดูแล) เป็นเครื่องมือที่ทรงพลังอย่างเหลือเชื่อสำหรับงานการเรียนรู้ของเครื่องที่ยากที่สุด: การจดจำรูปภาพ, การจดจำวิดีโอ, การรู้จำเสียง ฯลฯ ของอัลกอริทึมการเรียนรู้ของเครื่องจักรที่ทรงพลังที่สุดและ Quantum Computing โดยทั่วไปถือว่าเป็นตัวเปลี่ยนเกมสำหรับงานการคำนวณที่ยากมากบางอย่างฉันสงสัยว่ามีการเคลื่อนไหวใด ๆ ในการรวมสองสิ่งเข้าด้วยกัน อัลกอริทึมการเรียนรู้อย่างลึกซึ้งสามารถทำงานบนคอมพิวเตอร์ควอนตัมได้หรือไม่? มันสมเหตุสมผลหรือไม่ที่จะลอง? มีขั้นตอนวิธีควอนตัมอื่น ๆ ที่จะทำให้การเรียนรู้ที่ไม่เกี่ยวข้องลึกลงไป?

15 algorithm  machine-learning  neural-network 

ในนี้[1]กระดาษหน้า 2 พวกเขาพูดถึงว่าพวกเขาจะสร้างเมทริกซ์น้ำหนักดังนี้ W=1Md[∑m=1m=Mx(m)(x(m))T]−IddW=1Md[∑m=1m=Mx(m)(x(m))T]−IddW = \frac{1}{Md}[\sum_{m=1}^{m=M} \mathbf{x}^{(m)}\left(\mathbf{x}^{(m)}\right)^{T}] - \frac{\Bbb I_d}{d} โดยที่ 's เป็นตัวอย่างการฝึกอบรมมิติ (เช่นโดยที่ ) และมีตัวอย่างการฝึกอบรมทั้งหมด การสร้างเมทริกซ์การถ่วงน้ำหนักนี้โดยใช้การคูณเมทริกซ์ตามด้วยผลรวมของเงื่อนไขดูเหมือนว่าเป็นการดำเนินการที่มีค่าใช้จ่ายสูงในแง่ของเวลาที่ซับซ้อนเช่นฉันเดา (?)x(m)x(m)\mathbf{x}^{(m)}dddx:={x1,x2,...,xd}Tx:={x1,x2,...,xd}T\mathbf{x} := \{x_1,x_2,...,x_d\}^{T}xi∈{1,−1} ∀ i∈{1,2,...,d}xi∈{1,−1} ∀ i∈{1,2,...,d}x_i \in \{1,-1\} \ \forall \ i\in \{1,2,...,d\}MMMMMMO(Md)O(Md)O(Md) มีอัลกอริทึมควอนตัมใด ๆ ที่สามารถให้ความเร็วที่มากขึ้นสำหรับการสร้างเมทริกซ์การถ่วงน้ำหนักหรือไม่? ฉันคิดว่าในกระดาษการเร่งความเร็วหลักของพวกเขามาจากอัลกอริทึมการกลับตัวของควอนตัมควอนตัม (ซึ่งถูกกล่าวถึงในภายหลังบนกระดาษ) แต่ดูเหมือนว่าพวกเขาไม่ได้คำนึงถึงแง่มุมของการสร้างเมทริกซ์ถ่วงน้ำหนักนี้ [1]: Quantum Hopfield Neural Network Lloyd และคณะ (2018)

9 algorithm  neural-network 

ที่นี่ผู้เขียนยืนยันว่าความพยายามในการสร้างเครือข่ายประสาทเทียมควอนตัมที่ปรับขนาดได้โดยใช้ชุดของพารามิเตอร์ประตูจะถือว่าล้มเหลวสำหรับ qubits จำนวนมาก นี่คือความจริงที่ว่าเนื่องจากเล็มม่าของเลมม่าการไล่ระดับสีของฟังก์ชั่นในพื้นที่มิติสูงเกือบเป็นศูนย์ทุกที่ ฉันสงสัยว่าอาร์กิวเมนต์นี้สามารถนำไปใช้กับวิธีการหาค่าเหมาะที่สุดแบบควอนตัมแบบคลาสสิกอื่น ๆ เช่นVQE (Variational Quantum Eigensolver) หรือQAOA (อัลกอริธึมการเพิ่มประสิทธิภาพโดยประมาณควอนตัม) คุณคิดอย่างไร?

9 algorithm  speedup  optimization  neural-network  qaoa