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

• An unconditional distribution learning advantage with shallow quantum circuits [0.0]
  浅量子回路仮説を用いた近似分布学習フレームワーク(PAC)において,非条件量子の優位性を証明した。 本研究では,1つの量子ビットゲートと2つの量子ビットゲートを用いた量子回路(QNC0)が,ファンイン古典回路(NC0)よりも優れているという有意義な生成的分布学習問題を仮説クラスの選択として挙げる。
  論文  参考訳（メタデータ） (2024-11-23T13:03:22Z)
• 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)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• 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)
• Re-QGAN: an optimized adversarial quantum circuit learning framework [0.0]
  生成モデルの枠組みとして実ヒルベルト空間を用いる量子生成逆ネットワーク設計を提案する。 ステレオ投影法により古典情報をエンコードし,正規化手順を使わずに古典的領域全体を利用できるようにする。 このアーキテクチャは、浅い深さの量子回路を維持しながら、最先端の量子生成対向性能を向上させる。
  論文  参考訳（メタデータ） (2022-08-03T15:52:27Z)
• 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。