Inkrementální učení kvantové generativní adversariální sítě
Incremental Learning of Quantum Generative Adversarial Network
Typ dokumentu
diplomová prácemaster thesis
Autor
Artem Kandaurov
Vedoucí práce
Petr Ivo
Oponent práce
Vašata Daniel
Studijní obor
Teoretická informatikaStudijní program
Informatika 2018Instituce přidělující hodnost
katedra teoretické informatikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Obor strojového učení ukázal neuvěřitelný dopad na mnoho druhů optimalizačních problémů. Nedávno byla síla strojového učení použita k zrychlení přípravy kvantových stavů. Navzdory skutečnosti, že aproximace stavu pomocí kvantové generativní soupeřící sítě je jeden z nejrychlejších způsobů přípravy generického kvantového stavu, doba trénovaní pro takové modely je významná a může snadno eliminovat výhody plynoucí z použití kvantového algoritmu. Tato práce zkoumá využití inkrementalní učení kvantové generativní soupeřící sítě pro problém nahrání kvantových stavů a ukazuje nové případy použití v nichž se zkracuje trénovaní modelu. Machine learning field has shown incredible impact on many kinds of optimization problems. Recently the power of machine learning was applied to speed up the quantum states preparation. Although approximation with quantum generative adversarial networks is one of the fastest ways to prepare a generic quantum state, training time for such models is still significant and can easily impair quantum advantage. This thesis explores incremental learning of quantum generative adversarial networks for the quantum states preparation problem and introduces learning use cases reducing the training time.
Kolekce
- Diplomové práce - 18101 [216]