論文の概要: Quantum versus Classical Generative Modelling in Finance
- arxiv url: http://arxiv.org/abs/2008.00691v1
- Date: Mon, 3 Aug 2020 07:50:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 07:17:51.115215
- Title: Quantum versus Classical Generative Modelling in Finance
- Title(参考訳): ファイナンスにおける量子と古典生成モデル
- Authors: Brian Coyle, Maxwell Henderson, Justin Chan Jin Le, Niraj Kumar, Marco
Paini, Elham Kashefi
- Abstract要約: 機械学習における生成モデル作成作業における量子モデルと古典モデルの性能について検討し比較する。
エンタングルメントは、ボルツマンマシンに対する優位性を示す問題インスタンスにおいて典型的に重要な役割を果たしている。
- 参考スコア(独自算出の注目度): 1.3212032015497979
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding a concrete use case for quantum computers in the near term is still
an open question, with machine learning typically touted as one of the first
fields which will be impacted by quantum technologies. In this work, we
investigate and compare the capabilities of quantum versus classical models for
the task of generative modelling in machine learning. We use a real world
financial dataset consisting of correlated currency pairs and compare two
models in their ability to learn the resulting distribution - a restricted
Boltzmann machine, and a quantum circuit Born machine. We provide extensive
numerical results indicating that the simulated Born machine always at least
matches the performance of the Boltzmann machine in this task, and demonstrates
superior performance as the model scales. We perform experiments on both
simulated and physical quantum chips using the Rigetti forest platform, and
also are able to partially train the largest instance to date of a quantum
circuit Born machine on quantum hardware. Finally, by studying the entanglement
capacity of the training Born machines, we find that entanglement typically
plays a role in the problem instances which demonstrate an advantage over the
Boltzmann machine.
- Abstract(参考訳): 近い将来、量子コンピュータの具体的なユースケースを見つけることは、まだ未解決の問題であり、機械学習は一般に量子技術に影響されるであろう最初の分野の1つとして評価される。
本研究では,量子モデルと古典モデルの能力を比較し,機械学習における生成的モデリングの課題について検討する。
相関通貨ペアからなる実世界の金融データセットを用いて、結果の分布(制限されたボルツマンマシンと量子回路ボルンマシン)を学習する2つのモデルを比較する。
本研究では,本課題におけるボルツマンマシンの性能に常に適合するシミュレーションボルツマンマシンの数値計算結果を示し,モデル規模が拡大するにつれて性能が向上することを示す。
我々は、Rigetti forestプラットフォームを用いてシミュレーションおよび物理量子チップの実験を行い、量子ハードウェア上での量子回路Bornマシンの現在の最大のインスタンスを部分的にトレーニングすることができる。
最後に、訓練用ボルツマンマシンの絡み合い能力を調べることで、絡み合いは一般にボルツマンマシンよりも有利な問題事例において役割を果たすことが分かる。
関連論文リスト
- Machine Learning for Practical Quantum Error Mitigation [0.0]
量子エラー軽減のための機械学習は、オーバーヘッドを大幅に削減し、従来の手法の精度を維持または超える可能性があることを示す。
本結果は,量子計算における古典的機械学習の可能性を明らかにするものである。
論文 参考訳(メタデータ) (2023-09-29T16:17:12Z) - 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) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳(メタデータ) (2023-03-27T22:48:28Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - 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) - Generative model for learning quantum ensemble via optimal transport
loss [0.9404723842159504]
量子アンサンブルを学習できる量子生成モデルを提案する。
提案したモデルは、量子デバイスのヘルスチェックのような幅広い応用の道を開く。
論文 参考訳(メタデータ) (2022-10-19T17:35:38Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Generative Quantum Machine Learning [0.0]
この論文の目的は、新しい生成量子機械学習アルゴリズムを開発することである。
本稿では,パラメータ化量子回路で実現可能な量子生成逆数ネットワークと量子ボルツマンマシンの実装を紹介する。
論文 参考訳(メタデータ) (2021-11-24T19:00:21Z) - Mutual Reinforcement between Neural Networks and Quantum Physics [0.0]
量子機械学習は、量子力学と機械学習の共生から生まれる。
古典的な機械学習を量子物理学問題に適用するためのツールとして使う。
量子パーセプトロンの力学に基づく量子ニューラルネットワークの設計と、短絡の断熱への応用は、短時間の動作時間と堅牢な性能をもたらす。
論文 参考訳(メタデータ) (2021-05-27T16:20:50Z) - 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) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳(メタデータ) (2020-11-03T19:00:01Z)
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。