論文の概要: End-to-End Quantum Machine Learning Implemented with Controlled Quantum Dynamics

• arxiv url: http://arxiv.org/abs/2003.13658v4
• Date: Wed, 25 Nov 2020 05:03:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-27 12:13:45.397197
• Title: End-to-End Quantum Machine Learning Implemented with Controlled Quantum Dynamics
• Title（参考訳）: 制御量子ダイナミクスを用いたエンドツーエンド量子機械学習
• Authors: Re-Bing Wu, Xi Cao, Pinchen Xie, and Yu-xi Liu
• Abstract要約: この研究は、ハードウェアフレンドリーなエンドツーエンドの量子機械学習スキームを示し、不完全な短期中規模量子(NISQ)プロセッサで実装できる。 この提案では,機械学習タスクを制御量子力学の最適化に変換し,学習モデルを実験的に調整可能な制御変数によってパラメータ化する。 我々の設計では、エージェント制御変数を介して生の入力を量子状態に符号化することで、自動的な特徴選択を可能にする。
• 参考スコア（独自算出の注目度）: 0.9599644507730106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Toward quantum machine learning deployed on imperfect near-term intermediate-scale quantum (NISQ) processors, the entire physical implementation of should include as less as possible hand-designed modules with only a few ad-hoc parameters to be determined. This work presents such a hardware-friendly end-to-end quantum machine learning scheme that can be implemented with imperfect near-term intermediate-scale quantum (NISQ) processors. The proposal transforms the machine learning task to the optimization of controlled quantum dynamics, in which the learning model is parameterized by experimentally tunable control variables. Our design also enables automated feature selection by encoding the raw input to quantum states through agent control variables. Comparing with the gate-based parameterized quantum circuits, the proposed end-to-end quantum learning model is easy to implement as there are only few ad-hoc parameters to be determined. Numerical simulations on the benchmarking MNIST dataset demonstrate that the model can achieve high performance using only 3-5 qubits without downsizing the dataset, which shows great potential for accomplishing large-scale real-world learning tasks on NISQ processors.arning models. The scheme is promising for efficiently performing large-scale real-world learning tasks using intermediate-scale quantum processors.
• Abstract（参考訳）: 不完全な短期的中間スケール量子(NISQ)プロセッサ上に展開される量子機械学習に向けて、物理実装全体は、決定すべきアドホックパラメータがほんの少ししかない手設計モジュールを可能な限り少なく含めるべきである。 この研究は、ハードウェアフレンドリーなエンドツーエンド量子機械学習スキームを示し、不完全な短期中規模量子(NISQ)プロセッサで実装できる。 この提案では,機械学習タスクを制御量子力学の最適化に変換し,学習モデルを実験的に調整可能な制御変数によってパラメータ化する。 また,エージェント制御変数を用いて量子状態への生入力を符号化することにより,自動特徴選択を実現する。 ゲートベースのパラメタライズド量子回路と比較して、提案するエンドツーエンド量子学習モデルは、決定すべきアドホックパラメータが少ないため、実装が容易である。 ベンチマークMNISTデータセットの数値シミュレーションにより、データセットを小さくすることなく3～5キュービットしか使用せず、NASQプロセッサ上で大規模な実世界の学習タスクを達成できる可能性が示された。 このスキームは、中間スケール量子プロセッサを用いて大規模な実世界の学習タスクを効率的に実行することを約束している。

関連論文リスト

• Scalable quantum dynamics compilation via quantum machine learning [7.31922231703204]
  変分量子コンパイル(VQC)法は、高精度を維持しつつゲートコストを低減するために変分最適化を用いる。 1次元におけるシステムサイズと精度の両面で、我々のアプローチが最先端のコンパイル結果を上回ることが示されている(1$D)。 VQCを2次元(2次元)ストリップに準1次元処理で拡張し、標準的なトロッタライズ法よりも大きな資源優位性を示す。
  論文  参考訳（メタデータ） (2024-09-24T18:00:00Z)
• 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-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Quantum Computing for Solid Mechanics and Structural Engineering -- a Demonstration with Variational Quantum Eigensolver [3.8061090528695534]
  変分量子アルゴリズムは、コスト関数を効率的に最適化するために重ね合わせと絡み合いの特徴を利用する。 我々は,IBM Qiskit プラットフォーム上で 5-qubit および 7-qubit 量子プロセッサ上での数値処理を実装し,実演する。
  論文  参考訳（メタデータ） (2023-08-28T17:52:47Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
  コプラは、合同確率分布をモデル化するための数学的ツールである。 コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。 シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2022-06-23T18:39:30Z)
• An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
  量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。 この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
  論文  参考訳（メタデータ） (2022-05-11T12:10:52Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。