論文の概要: Noise robustness and experimental demonstration of a quantum generative
adversarial network for continuous distributions
- arxiv url: http://arxiv.org/abs/2006.01976v2
- Date: Mon, 29 Mar 2021 18:45:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 01:13:15.343557
- Title: Noise robustness and experimental demonstration of a quantum generative
adversarial network for continuous distributions
- Title（参考訳）: 連続分布に対する量子生成逆ネットワークのノイズロバスト性と実験的実証
- Authors: Abhinav Anand, Jonathan Romero, Matthias Degroote and Al\'an
Aspuru-Guzik
- Abstract要約: 連続確率分布を学習するために、ノイズの多いハイブリッド量子生成逆数ネットワーク(HQGAN)を数値シミュレーションする。
また,アルゴリズムの計算スケーリングを削減するために,異なるパラメータがトレーニング時間に与える影響についても検討する。
我々の研究結果は、ノイズの多い中間量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索するための道を開いた。
- 参考スコア（独自算出の注目度）: 0.5249805590164901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The potential advantage of machine learning in quantum computers is a topic
of intense discussion in the literature. Theoretical, numerical and
experimental explorations will most likely be required to understand its power.
There has been different algorithms proposed to exploit the probabilistic
nature of variational quantum circuits for generative modelling. In this paper,
we employ a hybrid architecture for quantum generative adversarial networks
(QGANs) and study their robustness in the presence of noise. We devise a simple
way of adding different types of noise to the quantum generator circuit, and
numerically simulate the noisy hybrid quantum generative adversarial networks
(HQGANs) to learn continuous probability distributions, and show that the
performance of HQGANs remain unaffected. We also investigate the effect of
different parameters on the training time to reduce the computational scaling
of the algorithm and simplify its deployment on a quantum computer. We then
perform the training on Rigetti's Aspen-4-2Q-A quantum processing unit, and
present the results from the training. Our results pave the way for
experimental exploration of different quantum machine learning algorithms on
noisy intermediate scale quantum devices.
- Abstract（参考訳）: 量子コンピュータにおける機械学習の潜在的な利点は、文学における激しい議論のトピックである。
理論的、数値的、実験的な探索は、おそらくその力を理解するために必要となるだろう。
生成モデリングのための変分量子回路の確率特性を利用するアルゴリズムが提案されている。
本稿では,量子生成逆ネットワーク(qgans)のためのハイブリッドアーキテクチャを用いて,雑音の存在下でのロバスト性について検討する。
量子発生回路に異なる種類のノイズを付加する簡単な方法を考案し、ノイズの多いハイブリッド量子生成逆ネットワーク(hqgans)を数値的にシミュレートして連続確率分布を学習し、hqganの性能に影響を与えないことを示す。
また,アルゴリズムの計算スケーリングを低減し,量子コンピュータへの展開を単純化するために,異なるパラメータがトレーニング時間に与える影響についても検討した。
次に、リゲッティのAspen-4-2Q-A量子処理ユニットのトレーニングを行い、トレーニングの結果を示す。
提案手法は,うるさい中間スケール量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索する手段となる。
関連論文リスト
- 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) - Diffusion-Inspired Quantum Noise Mitigation in Parameterized Quantum Circuits [10.073911279652918]
量子ノイズと拡散モデルの関係について検討する。
本稿では,PQCにおける量子ノイズを軽減するために,拡散に着想を得た新しい学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-02T19:35:38Z) - 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) - Stabilization and Dissipative Information Transfer of a Superconducting
Kerr-Cat Qubit [0.0]
そこで我々は,Cat-Qubitと呼ばれる量子ビットモデルへの消散情報伝達について検討した。
このモデルは、二項量子分類の散逸に基づくバージョンにとって特に重要である。
Cat-Qubitアーキテクチャは、人工ニューラルネットワークでアクティベーションライクな機能を実装できる可能性がある。
論文 参考訳（メタデータ） (2023-07-23T11:28:52Z) - Synergic quantum generative machine learning [0.0]
提案手法は, ジェネレータと識別器の協調に依拠し, 量子交感神経生成学習と呼ぶ。
我々は,最近提案された量子生成逆学習と相乗的アプローチが好適に比較できるという数値的証拠を提示する。
量子シミュレータで得られた結果に加えて、実際のプログラマブル量子コンピュータで得られた実験結果も提示する。
論文 参考訳（メタデータ） (2021-12-25T16:39:33Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳（メタデータ） (2021-04-30T20:38:41Z) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳（メタデータ） (2021-03-03T16:10:15Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳（メタデータ） (2020-10-13T06:57:17Z) - Robustness Verification of Quantum Classifiers [1.3534683694551501]
我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。
堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。
我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
論文 参考訳（メタデータ） (2020-08-17T11:56:23Z)
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。