論文の概要: QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to
Enhance ML Classifiers and Feature Spaces
- arxiv url: http://arxiv.org/abs/2002.10453v3
- Date: Mon, 27 Apr 2020 05:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 19:50:37.344502
- Title: QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to
Enhance ML Classifiers and Feature Spaces
- Title（参考訳）: QEML(Quantum Enhanced Machine Learning): 量子コンピューティングを用いてML分類器と特徴空間を拡張
- Authors: Siddharth Sharma
- Abstract要約: 機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。
本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。
従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
- 参考スコア（独自算出の注目度）: 0.49841205356595936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning and quantum computing are two technologies that are causing
a paradigm shift in the performance and behavior of certain algorithms,
achieving previously unattainable results. Machine learning (kernel
classification) has become ubiquitous as the forefront method for pattern
recognition and has been shown to have numerous societal applications. While
not yet fault-tolerant, Quantum computing is an entirely new method of
computation due to its exploitation of quantum phenomena such as superposition
and entanglement. While current machine learning classifiers like the Support
Vector Machine are seeing gradual improvements in performance, there are still
severe limitations on the efficiency and scalability of such algorithms due to
a limited feature space which makes the kernel functions computationally
expensive to estimate. By integrating quantum circuits into traditional ML, we
may solve this problem through the use of quantum feature space, a technique
that improves existing Machine Learning algorithms through the use of
parallelization and the reduction of the storage space from exponential to
linear. This research expands on this concept of the Hilbert space and applies
it for classical machine learning by implementing the quantum-enhanced version
of the K nearest neighbors algorithm. This paper first understands the
mathematical intuition for the implementation of quantum feature space and
successfully simulates quantum properties and algorithms like Fidelity and
Grover's Algorithm via the Qiskit python library and the IBM Quantum Experience
platform. The primary experiment of this research is to build a noisy
variational quantum circuit KNN (QKNN) which mimics the classification methods
of a traditional KNN classifier. The QKNN utilizes the distance metric of
Hamming Distance and is able to outperform the existing KNN on a 10-dimensional
Breast Cancer dataset.
- Abstract（参考訳）: 機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いをパラダイムシフトさせ、これまで達成できなかった結果を達成する2つの技術である。
機械学習(カーネル分類)はパターン認識の先駆的手法として広く普及しており、多くの社会的応用があることが示されている。
まだフォールトトレラントではないが、量子コンピューティングは重ね合わせや絡み合いといった量子現象を利用した全く新しい計算方法である。
Support Vector Machineのような現在の機械学習分類器は、パフォーマンスが徐々に改善されているが、カーネル関数を推定するのに計算コストがかかるような限られた機能空間のため、そのようなアルゴリズムの効率性とスケーラビリティには厳しい制限がある。
量子回路を従来のMLに統合することにより、並列化とストレージ空間の指数関数から線形への削減により既存の機械学習アルゴリズムを改善する技術である量子特徴空間を用いることで、この問題を解決することができる。
この研究はヒルベルト空間の概念を拡張し、K近傍のアルゴリズムの量子強化版を実装することで古典的な機械学習に適用する。
本稿では,量子機能空間の実装に関する数学的直観を最初に理解し,qiskit pythonライブラリとibm quantum experience platformを介して,fidelityやgroverのアルゴリズムのような量子特性とアルゴリズムをうまくシミュレートする。
本研究の主な実験は、従来のKNN分類器の分類法を模倣したノイズ変動量子回路KNN(QKNN)を構築することである。
QKNNは、ハミング距離の距離メートル法を利用して、既存のKNNを10次元乳がんデータセットで上回ることができる。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Quantum Machine Learning with Application to Progressive Supranuclear Palsy Network Classification [0.0]
進行性核上麻痺(PSP)の診断のための量子機械学習モデルを提案する。
その結果、量子機械学習は古典的なフレームワークよりも顕著に進歩し、性能を上回っていることが示唆された。
特に,IBM量子プラットフォームの量子シミュレータと実チップの両面において,本モデルの有効性を実証した。
論文 参考訳（メタデータ） (2024-07-06T14:16:31Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。
提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文 参考訳（メタデータ） (2023-04-18T11:57:15Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - Quantum Algorithms for Unsupervised Machine Learning and Neural Networks [2.28438857884398]
行列積や距離推定といったタスクを解くために量子アルゴリズムを導入する。
これらの結果は、教師なし機械学習のための新しい量子アルゴリズムの開発に使用される。
また、ニューラルネットワークやディープラーニングのための新しい量子アルゴリズムも提示します。
論文 参考訳（メタデータ） (2021-11-05T16:36:09Z) - Quantum Machine Learning For Classical Data [0.0]
量子コンピューティングと教師付き機械学習アルゴリズムの交差について研究する。
特に,教師付き機械学習アルゴリズムの高速化に量子コンピュータがどの程度使えるかを検討する。
論文 参考訳（メタデータ） (2021-05-08T12:11:44Z) - Quantum Support Vector Machines for Continuum Suppression in B Meson
Decays [0.27342795342528275]
古典的データを量子状態に変換するプロセスである異なる量子符号化回路が最終分類性能に与える影響について検討する。
本稿では、量子回路シミュレーションを用いて、0.848のAUC(Area Under Receiver Operating Characteristics Curve)の符号化手法を提案する。
データセットの縮小バージョンを使用して、IBM Quantum ibmq_casablancaデバイス上でアルゴリズムを実行し、平均AUCは0.703に達した。
論文 参考訳（メタデータ） (2021-03-23T02:09:05Z) - Electronic structure with direct diagonalization on a D-Wave quantum
annealer [62.997667081978825]
本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。
そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
論文 参考訳（メタデータ） (2020-09-02T22:46:47Z) - Quantum circuit-like learning: A fast and scalable classical
machine-learning algorithm with similar performance to quantum circuit
learning [0.0]
量子回路学習(QCL)と同じヒルベルト空間を用いた古典的機械学習アルゴリズムを提案する。
数値シミュレーションにおいて,提案アルゴリズムは複数のMLタスクに対するQCLに類似した性能を示す。
論文 参考訳（メタデータ） (2020-03-24T05:19:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。