論文の概要: Coreset Clustering on Small Quantum Computers
- arxiv url: http://arxiv.org/abs/2004.14970v1
- Date: Thu, 30 Apr 2020 17:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 05:34:26.803367
- Title: Coreset Clustering on Small Quantum Computers
- Title（参考訳）: 小さな量子コンピュータ上のコアセットクラスタリング
- Authors: Teague Tomesh, Pranav Gokhale, Eric R. Anschuetz, Frederic T. Chong
- Abstract要約: Harrow氏の最近の研究は、ハイブリッド量子古典計算における新しいパラダイムを導入している。
このパラダイムを用いて、短期量子コンピュータ上で$k$-meansクラスタリングを行う。
私たちは、コアセットとQAOAの両方がうまく機能するデータセットを見つけます。
- 参考スコア（独自算出の注目度）: 3.4075213885825377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many quantum algorithms for machine learning require access to classical data
in superposition. However, for many natural data sets and algorithms, the
overhead required to load the data set in superposition can erase any potential
quantum speedup over classical algorithms. Recent work by Harrow introduces a
new paradigm in hybrid quantum-classical computing to address this issue,
relying on coresets to minimize the data loading overhead of quantum
algorithms. We investigate using this paradigm to perform $k$-means clustering
on near-term quantum computers, by casting it as a QAOA optimization instance
over a small coreset. We compare the performance of this approach to classical
$k$-means clustering both numerically and experimentally on IBM Q hardware. We
are able to find data sets where coresets work well relative to random sampling
and where QAOA could potentially outperform standard $k$-means on a coreset.
However, finding data sets where both coresets and QAOA work well--which is
necessary for a quantum advantage over $k$-means on the entire data
set--appears to be challenging.
- Abstract（参考訳）: 機械学習のための多くの量子アルゴリズムは、重ね合わせで古典データにアクセスする必要がある。
しかし、多くの自然データセットやアルゴリズムでは、重ね合わせでデータセットをロードするために必要なオーバーヘッドは、古典的なアルゴリズムに対する潜在的な量子スピードアップを消去することができる。
harrowの最近の研究は、量子アルゴリズムのデータ読み込みオーバーヘッドを最小化するコアセットに依存することで、この問題に対処するために、ハイブリッド量子古典コンピューティングの新しいパラダイムを導入している。
我々は、このパラダイムを用いて、短期量子コンピュータ上で$k$-meansクラスタリングを行い、小さなコアセット上でQAOA最適化インスタンスとしてキャストする。
このアプローチの性能をIBM Qハードウェア上で数値的および実験的にクラスタリングする古典的な$k$-meansと比較する。
ランダムサンプリングに比較してcoresetがうまく動作し、qaoaがcoresetの標準の$k$-meansを上回る可能性のあるデータセットを見つけることができます。
しかし、coresetsとqaoaの両方がうまく機能するデータセットを見つけることは、データセット全体の$k$-meansよりも量子的に有利に働く必要がある。
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) - Big data applications on small quantum computers [0.0]
コアセットは大きなデータセットの簡潔な記述を可能にし、計算タスクにおけるそのソリューションは、元のデータセットのソリューションと競合する。
本稿では,3種類の古典的機械学習問題,すなわちDivisive Clustering, 3-means Clustering, Gaussian Model Clusteringに適用する。
提案手法は古典的解法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2024-02-02T16:15:55Z) - Generalized Hybrid Search and Applications to Blockchain and Hash
Function Security [50.16790546184646]
まず,ハイブリッド量子古典戦略を用いて,様々な探索問題を解くことの難しさについて検討する。
次に、ハイブリッド量子古典探索アルゴリズムを構築し、その成功確率を解析する。
論文 参考訳（メタデータ） (2023-11-07T04:59:02Z) - 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) - 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) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Variational Quantum and Quantum-Inspired Clustering [0.0]
本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。
このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
論文 参考訳（メタデータ） (2022-06-20T17:02:19Z) - Practical Quantum K-Means Clustering: Performance Analysis and
Applications in Energy Grid Classification [0.0]
ノイズの多いハードウェアによる落とし穴を回避するために,量子$k$-meansクラスタリングの汎用的で競争的で並列化されたバージョンを提案する。
実世界のドイツの電力グリッドデータを用いて、従来のアルゴリズムのラベル付けに関して、新しい手法は標準量子$k$-meansクラスタリングのバランスの取れた精度を67.8%向上させることを示した。
論文 参考訳（メタデータ） (2021-12-15T22:10:51Z) - 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) - Unsupervised Event Classification with Graphs on Classical and Photonic
Quantum Computers [0.0]
フォトニック量子コンピュータは、量子コンピューティングの離散量子ビットベースのパラダイムよりもいくつかの利点を提供している。
新物理の探索に使用する異常検出モデルを構築した。
ガウスボソンサンプリングとQ平均と呼ばれるK平均への量子拡張を組み合わせた新しい異常検出法を提案する。
論文 参考訳（メタデータ） (2021-03-05T19:02:31Z) - Small quantum computers and large classical data sets [2.8174125805742416]
本稿では,大規模古典データセット X とモデル Y の空間に関する問題に対して,ハイブリッド古典量子アルゴリズムを提案する。
これらのアルゴリズムは、X の重み付き部分集合を構成するためにデータ還元技術を使用し、各モデルにほぼ同じ損失をもたらすコアセットである。
具体的な応用としては、k平均クラスタリング、論理回帰、ゼロサムゲーム、ブースティングなどがある。
論文 参考訳（メタデータ） (2020-03-31T18:00:16Z)
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。