論文の概要: Efficient Discrete Feature Encoding for Variational Quantum Classifier
- arxiv url: http://arxiv.org/abs/2005.14382v2
- Date: Fri, 12 Nov 2021 00:30:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 00:50:45.483495
- Title: Efficient Discrete Feature Encoding for Variational Quantum Classifier
- Title（参考訳）: 変分量子分類器の離散的特徴符号化
- Authors: Hiroshi Yano, Yudai Suzuki, Kohei M. Itoh, Rudy Raymond, and Naoki
Yamamoto
- Abstract要約: 変分量子分類(VQC)は、量子的に有利な方法の一つである。
本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。
QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
- 参考スコア（独自算出の注目度）: 3.7576442570677253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent days have witnessed significant interests in applying quantum-enhanced
techniques for solving a variety of machine learning tasks. Variational methods
that use quantum resources of imperfect quantum devices with the help of
classical computing techniques are popular for supervised learning. Variational
quantum classification (VQC) is one of such methods with possible quantum
advantage in using quantum-enhanced features that are hard to compute by
classical methods. Its performance depends on the mapping of classical features
into a quantum-enhanced feature space. Although there have been many
quantum-mapping functions proposed so far, there is little discussion on
efficient mapping of discrete features, such as age group, zip code, and
others, which are often significant for classifying datasets of interest. We
first introduce the use of quantum random-access coding (QRAC) to map such
discrete features efficiently into limited number of qubits for VQC. In
numerical simulations, we present a range of encoding strategies and
demonstrate their limitations and capabilities. We experimentally show that
QRAC can help speeding up the training of VQC by reducing its parameters via
saving on the number of qubits for the mapping. We confirm the effectiveness of
the QRAC in VQC by experimenting on classification of real-world datasets with
both simulators and real quantum devices.
- Abstract（参考訳）: 近年、様々な機械学習タスクを解決するために量子エンハンシング技術を適用することに大きな関心が寄せられている。
古典的計算技術の助けを借りて不完全な量子デバイスの量子資源を使用する変分法が教師付き学習に人気である。
変分量子分類 (vqc) は、古典的手法では計算が難しい量子エンハンス特徴を用いて量子的に有利な手法の一つである。
その性能は古典的特徴の量子化特徴空間への写像に依存する。
これまで多くの量子マッピング関数が提案されてきたが、年齢グループやzipコードなど、関心のあるデータセットの分類において重要な離散的な特徴の効率的なマッピングについてはほとんど議論されていない。
本稿ではまず,量子乱数アクセス符号化(QRAC)を用いて,離散的な特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。
数値シミュレーションにおいて,様々な符号化戦略を示し,その限界と能力を示す。
QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
VQCにおけるQRACの有効性をシミュレータと実量子デバイスの両方を用いた実世界のデータセットの分類実験により確認する。
関連論文リスト
- Empirical Power of Quantum Encoding Methods for Binary Classification [0.2118773996967412]
我々は、様々な機械学習メトリクスに対する符号化スキームとその効果に焦点を当てる。
具体的には、実世界の複数のデータセットの量子符号化戦略の違いを示すために、実世界のデータ符号化に焦点を当てる。
論文 参考訳（メタデータ） (2024-08-23T14:34:57Z) - 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) - Benchmarking quantum machine learning kernel training for classification tasks [0.0]
本研究は、分類タスクに焦点を当てた量子カーネル推定(QKE)と量子カーネルトレーニング(QKT)のベンチマーク研究を行う。
ZZFeatureMapとCovariantFeatureMapという2つの量子特徴写像がこの文脈で分析される。
実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
論文 参考訳（メタデータ） (2024-08-17T10:53:06Z) - 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) - 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) - 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) - Variational Quantum Kernels with Task-Specific Quantum Metric Learning [0.8722210937404288]
カーネル法は、より高次元(おそらく無限)な特徴空間における点間の類似性の概念に依存している。
最適な量子埋め込みを生成するために,変分量子カーネルとタスク固有量子量子学習について論じる。
論文 参考訳（メタデータ） (2022-11-08T18:36:25Z) - A preprocessing perspective for quantum machine learning classification
advantage using NISQ algorithms [0.0]
変分量子アルゴリズム(VQA)は,LDA法とバランスの取れた精度で性能が向上したことを示す。
現在の量子コンピュータはノイズが多く、テストする量子ビットは少ないため、QML法の現在の量子的利点と潜在的な量子的優位性を実証することは困難である。
論文 参考訳（メタデータ） (2022-08-28T16:58:37Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-17T12:02:01Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。