論文の概要: Evaluation of Parameterized Quantum Circuits: on the relation between
classification accuracy, expressibility and entangling capability
- arxiv url: http://arxiv.org/abs/2003.09887v2
- Date: Sat, 29 Aug 2020 11:51:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 05:32:26.171522
- Title: Evaluation of Parameterized Quantum Circuits: on the relation between
classification accuracy, expressibility and entangling capability
- Title(参考訳): パラメータ化量子回路の評価 : 分類精度,表現性,絡み合い能力の関係について
- Authors: Thomas Hubregtsen, Josef Pichlmeier, Patrick Stecher, Koen Bertels
- Abstract要約: ハイブリッド量子古典的な構成の量子回路はヒルベルト空間の高次元性を特徴空間として利用することにより精度の向上をもたらす可能性がある。
しかし、ヒルベルト空間に均一に対処する量子回路の能力は、分類精度のよい指標だろうか?
我々は、ヒルベルト空間に均一に対処する回路の能力と、単一の埋め込み層を含む回路の1つまたは2つの回路設計の達成された分類精度との間に強い相関関係を見出した。
- 参考スコア(独自算出の注目度): 1.1871523410051525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An active area of investigation in the search for quantum advantage is
Quantum Machine Learning. Quantum Machine Learning, and Parameterized Quantum
Circuits in a hybrid quantum-classical setup in particular, could bring
advancements in accuracy by utilizing the high dimensionality of the Hilbert
space as feature space. But is the ability of a quantum circuit to uniformly
address the Hilbert space a good indicator of classification accuracy? In our
work, we use methods and quantifications from prior art to perform a numerical
study in order to evaluate the level of correlation. We find a strong
correlation between the ability of the circuit to uniformly address the Hilbert
space and the achieved classification accuracy for circuits that entail a
single embedding layer followed by 1 or 2 circuit designs. This is based on our
study encompassing 19 circuits in both 1 and 2 layer configuration, evaluated
on 9 datasets of increasing difficulty. Future work will evaluate if this holds
for different circuit designs.
- Abstract(参考訳): 量子アドバンテージの探索における活発な研究領域は、量子機械学習である。
特にハイブリッド量子古典的なセットアップにおける量子機械学習とパラメータ化量子回路は、ヒルベルト空間の高次元を特徴空間として利用することで精度の向上をもたらす可能性がある。
しかし、ヒルベルト空間に均一に対処する量子回路の能力は、分類精度のよい指標だろうか?
本研究では,先行技術による手法と定量化を行い,相関のレベルを評価するために数値的研究を行う。
ヒルベルト空間に一様に対応できる回路の能力と、単一の埋め込み層を含む回路の識別精度と、1または2つの回路設計との間に強い相関関係を見出した。
本研究は1層構成と2層構成の両方で19個の回路を網羅し,9つのデータセットで評価した。
将来の研究は、それが異なる回路設計に当てはまるかどうかを評価する。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳(メタデータ) (2024-01-10T22:33:00Z) - Trainability and Expressivity of Hamming-Weight Preserving Quantum
Circuits for Machine Learning [2.3420045370973828]
特定のハミング重み保存量子回路のトレーニング可能性と制御性について解析する。
これらの回路はヒルベルト空間の部分空間を保存するゲートを用いており、固定ハミング重み$k$の基底状態によって区切られている。
古典的なデータのロードとトレーニング可能なレイヤの実行の両方によって、ニューラルネットワークを模倣する優れた候補だ。
論文 参考訳(メタデータ) (2023-09-27T10:11:07Z) - Embedding Classical Variational Methods in Quantum Circuits [0.0]
相互作用量子系の基底状態に近似する量子デバイス機能を拡張する新しい量子-古典的変分法を導入する。
本手法は,古典的自由度を付加することにより,正確な対角化結果に収束できることを示す。
論文 参考訳(メタデータ) (2023-09-15T18:00:05Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。
我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。
任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
論文 参考訳(メタデータ) (2022-03-30T02:02:16Z) - Q-means using variational quantum feature embedding [0.9572675949441442]
変分回路の目的は、量子的特徴を持つヒルベルト空間のクラスターを極大に分離することである。
量子回路の出力は、特定のクラスタに属する全ての量子状態の重ね合わせを表す特徴的なクラスター量子状態である。
期待値の勾配は、変動回路のパラメータを最適化し、より良い量子特徴写像を学習するために用いられる。
論文 参考訳(メタデータ) (2021-12-11T13:00:51Z) - Capacity and quantum geometry of parametrized quantum circuits [0.0]
パラメタライズド量子回路は、現在のデバイスで効果的に実装できる。
パラメータ空間の幾何学的構造を用いて,これらの回路のキャパシティとトレーニング性を評価する。
本結果は,変分量子アルゴリズムの改良を目的としたパラメタライズド量子回路の理解を深めるものである。
論文 参考訳(メタデータ) (2021-02-02T18:16:57Z) - QUANTIFY: A framework for resource analysis and design verification of
quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。
Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。
ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文 参考訳(メタデータ) (2020-07-21T15:36:25Z) - Efficient simulatability of continuous-variable circuits with large
Wigner negativity [62.997667081978825]
ウィグナー負性性は、いくつかの量子計算アーキテクチャにおいて計算上の優位性に必要な資源であることが知られている。
我々は、大きく、おそらくは有界で、ウィグナー負性を示し、しかし古典的に効率的にシミュレートできる回路の広大な族を同定する。
我々は,高次元離散可変量子回路のシミュラビリティとボソニック符号とのリンクを確立することにより,本結果の導出を行う。
論文 参考訳(メタデータ) (2020-05-25T11:03:42Z) - Quantum embeddings for machine learning [5.16230883032882]
量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。
我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。
このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
論文 参考訳(メタデータ) (2020-01-10T19:00:01Z)
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。