ترجمه فارسی مقاله نظریه یکپارچه مناظر از دست دادن شبکه عصبی کوانتومی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A Unified Theory of Quantum Neural Network Loss Landscapes
عنوان مقاله به فارسی نظریه یکپارچه مناظر از دست دادن شبکه عصبی کوانتومی
نویسندگان Eric R. Anschuetz
فرمت مقاله انگلیسی PDF
تعداد صفحات 51
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,Machine Learning,فیزیک کوانتومی , یادگیری ماشین ,
توضیحات Submitted 21 August, 2024; originally announced August 2024. , Comments: 51 pages, 4 figures
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 51 صفحه ، 4 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Classical neural networks with random initialization famously behave as Gaussian processes in the limit of many neurons, with the architecture of the network determining the covariance of the associated process. This limit allows one to completely characterize the training behavior of such networks and show that, generally, classical neural networks train efficiently via gradient descent. No such general understanding exists for quantum neural networks (QNNs), which -- outside of certain special cases -- are known to not behave as Gaussian processes when randomly initialized. We here prove that instead QNNs and their first two derivatives generally form what we call Wishart processes, where now certain algebraic properties of the network determine the hyperparameters of the process. This Wishart process description allows us to, for the first time: 1. Give necessary and sufficient conditions for a QNN architecture to have a Gaussian process limit. 2. Calculate the full gradient distribution, unifying previously known barren plateau results. 3. Calculate the local minima distribution of algebraically constrained QNNs. The transition from trainability to untrainability in each of these contexts is governed by a single parameter we call the "degrees of freedom" of the network architecture. We thus end by proposing a formal definition for the "trainability" of a given QNN architecture using this experimentally accessible quantity.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی کلاسیک با اولیه سازی تصادفی معروف به عنوان فرآیندهای گاوسی در حد بسیاری از نورون ها رفتار می کنند ، با معماری شبکه که کواریانس روند مرتبط را تعیین می کند.این حد به فرد اجازه می دهد تا رفتار آموزش چنین شبکه هایی را به طور کامل توصیف کند و نشان دهد که ، به طور کلی ، شبکه های عصبی کلاسیک از طریق تبار شیب به طور مؤثر آموزش می دهند.هیچ درک کلی برای شبکه های عصبی کوانتومی (QNN) وجود ندارد ، که - در خارج از موارد خاص - شناخته شده است که به عنوان فرآیندهای گاوسی هنگام ابتدای کار به طور تصادفی رفتار نمی کنند.ما در اینجا ثابت می کنیم که در عوض QNN ها و دو مشتقات اول آنها به طور کلی آنچه را که ما فرایندهای Wishart می نامیم را تشکیل می دهند ، جایی که اکنون خاصیت جبری برخی از شبکه ها بیش از حد پارامترهای فرآیند را تعیین می کنند.این توضیحات فرآیند Wishart به ما امکان می دهد ، برای اولین بار: 1. شرایط لازم و کافی را برای یک معماری QNN فراهم کنید تا محدودیت فرآیند گاوسی داشته باشد.2. توزیع کامل شیب را محاسبه کنید ، نتایج فلات بی ثمر را که قبلاً شناخته شده بود متحد کنید.3. توزیع حداقل محلی QNN های محدود جبری را محاسبه کنید.انتقال از قابلیت آموزش به عدم تحقیر در هر یک از این زمینه ها توسط یک پارامتر واحد اداره می شود که ما آن را "درجه آزادی" معماری شبکه می نامیم.بنابراین ما با ارائه یک تعریف رسمی برای "قابلیت آموزش" یک معماری QNN داده شده با استفاده از این مقدار در دسترس تجربی پایان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.