1. Гибридная квантово-классическая архитектура нейронной сети для бинарной классификации (arXiv)

Автор:Дэвис Артур, Прасанна Датэ

Вывод. Глубокое обучение — одна из самых успешных и далеко идущих стратегий, используемых сегодня в машинном обучении. Однако масштаб и полезность нейронных сетей по-прежнему сильно ограничены текущим оборудованием, используемым для их обучения. Эти опасения становятся все более насущными, поскольку обычные компьютеры быстро приближаются к физическим ограничениям, которые замедлят повышение производительности в ближайшие годы. По этим причинам ученые начали изучать альтернативные вычислительные платформы, такие как квантовые компьютеры, для обучения нейронных сетей. В последние годы вариационные квантовые схемы стали одним из наиболее успешных подходов к квантовому глубокому обучению на шумных квантовых устройствах промежуточного масштаба. Мы предлагаем гибридную квантово-классическую архитектуру нейронной сети, в которой каждый нейрон представляет собой вариационную квантовую схему. Мы эмпирически анализируем производительность этой гибридной нейронной сети на серии наборов данных бинарной классификации, используя смоделированный универсальный квантовый компьютер и современный универсальный квантовый компьютер. На смоделированном оборудовании мы наблюдаем, что гибридная нейронная сеть обеспечивает примерно на 10% более высокую точность классификации и на 20% лучшую минимизацию затрат, чем отдельная вариационная квантовая схема. На квантовом оборудовании мы наблюдаем, что каждая модель работает хорошо только тогда, когда количество кубитов и вентилей достаточно мало.

2. Гибридные нейронные сети для направленного слуха на устройстве (arXiv)

Автор: Анран Ван, Маручи Ким, Хао Чжан, Шьямнатх Голлакота.

Вывод:направленный слух на устройстве требует отделения источника звука от заданного направления при соблюдении строгих требований к незаметной для человека задержке. В то время как нейронные сети могут обеспечить значительно более высокую производительность, чем традиционные формирователи луча, все существующие модели не могут поддерживать причинно-следственный вывод с малой задержкой на носимых устройствах с вычислительными ограничениями. Мы представляем DeepBeam, гибридную модель, которая сочетает в себе традиционные формирователи луча с пользовательской облегченной нейронной сетью. Первый снижает вычислительную нагрузку последнего, а также улучшает его обобщаемость, в то время как последний предназначен для дальнейшего сокращения памяти и вычислительных ресурсов, чтобы обеспечить операции в реальном времени и с малой задержкой. Наша оценка показывает производительность, сравнимую с современными моделями причинно-следственного вывода на синтетических данных, при достижении 5-кратного уменьшения размера модели, 4-кратного сокращения вычислений в секунду, 5-кратного сокращения времени обработки и лучшего обобщения реальных аппаратных данных. Кроме того, наша гибридная модель реального времени выполняется за 8 мс на мобильных процессорах, предназначенных для носимых устройств с низким энергопотреблением, и обеспечивает сквозную задержку 17,5 мс.

3. Гибридные нейросетевые решатели PDE для реагирующих потоков (arXiv)

Автор: Нилам Татавадекар, Нгуен Ань Кхоа Доан, Камило Ф. Сильва, Нильс Тюрей

Вывод:недорогое моделирование реактивных потоков, как правило, труднодостижимо. Точное моделирование распространения пламени более чем в одном пространственном измерении в течение статистически значимых временных окон обычно включает большой диапазон временных и пространственных масштабов, что влечет за собой высокие вычислительные затраты. Недавние разработки в области машинного обучения продемонстрировали большой потенциал в ускорении таких симуляций. Однако подходы, основанные исключительно на данных, которые используют только искусственную нейронную сеть и данные, часто не могут точно смоделировать эволюцию реактивного потока в течение достаточно длительного времени и физически согласованным образом. Поэтому мы предлагаем гибридный подход, который использует модель нейронной сети в сочетании с нереактивным решателем PDE, который предоставляет частичную физическую информацию. В этом исследовании мы демонстрируем, что результаты, полученные из нереактивных УЧП, могут быть эффективно скорректированы на каждом временном шаге с помощью модели решателя УЧП гибридной нейронной сети, чтобы правильно учитывать влияние химических реакций на поле течения. В целях проверки полученные имитации гибридной модели успешно сравниваются с результатами, полученными от полного набора реактивных PDE, которые по своей природе более дороги. Мы демонстрируем правомерность предложенного подхода на плоском пламени и пламени Бунзена при различных режимах работы. Гибридный нейросетевой подход PDE правильно моделирует эволюцию пламени в изучаемых случаях для значительно больших временных окон, дает улучшенное обобщение и позволяет использовать более крупные временные шаги моделирования.

4.HSMD: алгоритм обнаружения движения объекта с использованием архитектуры гибридной нейронной сети с шипами (arXiv)

Автор:Педро Мачадо, Андреас Ойконому, Жоао Филипе Феррейра, Т. М. МакГиннити

Аннотация: Обнаружение движущихся объектов — тривиальная задача, выполняемая сетчаткой позвоночных, но сложная задача компьютерного зрения. Ганглиозные клетки, чувствительные к движению объекта (OMS-GC), представляют собой специализированные клетки сетчатки, которые воспринимают движущиеся объекты. OMS-GC принимает в качестве входных непрерывных сигналов и создает в качестве выходных данных пиковые образцы, которые передаются в зрительную кору через зрительный нерв. Алгоритм гибридного чувствительного детектора движения (HSMD), предложенный в этой работе, совершенствует алгоритм динамического вычитания фона (DBS) GSOC с помощью настраиваемой трехслойной нейронной сети с импульсами (SNN), которая выводит ответы на выбросы, аналогичные OMS-GC. Алгоритм сравнивался с существующими подходами к фоновому вычитанию (BS), доступными в библиотеке OpenCV, в частности, с наборами контрольных данных обнаружения изменений 2012 года (CDnet2012) и обнаружения изменений 2014 года (CDnet2014). Результаты показывают, что HSMD занял первое место среди конкурирующих подходов и показал лучшие результаты, чем все остальные алгоритмы, в четырех категориях по всем восьми тестовым показателям. Кроме того, HSMD, предложенный в этой статье, является первым, использующим SNN для улучшения существующего современного алгоритма DBS (GSOC), и результаты демонстрируют, что SNN обеспечивает производительность, близкую к реальному времени, в реалистичных приложениях.