論文の概要: Adiabatic Quantum Linear Regression
- arxiv url: http://arxiv.org/abs/2008.02355v1
- Date: Wed, 5 Aug 2020 20:40:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 17:54:48.300275
- Title: Adiabatic Quantum Linear Regression
- Title(参考訳): Adiabatic Quantum Linear Regression
- Authors: Prasanna Date, Thomas Potok
- Abstract要約: 本稿では,線形回帰モデルをトレーニングするための断熱的量子コンピューティング手法を提案する。
我々の分析によると、量子アプローチは、より大きなデータセットに対する古典的なアプローチよりも最大2.8倍のスピードアップを達成した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A major challenge in machine learning is the computational expense of
training these models. Model training can be viewed as a form of optimization
used to fit a machine learning model to a set of data, which can take up
significant amount of time on classical computers. Adiabatic quantum computers
have been shown to excel at solving optimization problems, and therefore, we
believe, present a promising alternative to improve machine learning training
times. In this paper, we present an adiabatic quantum computing approach for
training a linear regression model. In order to do this, we formulate the
regression problem as a quadratic unconstrained binary optimization (QUBO)
problem. We analyze our quantum approach theoretically, test it on the D-Wave
2000Q adiabatic quantum computer and compare its performance to a classical
approach that uses the Scikit-learn library in Python. Our analysis shows that
the quantum approach attains up to 2.8x speedup over the classical approach on
larger datasets, and performs at par with the classical approach on the
regression error metric.
- Abstract(参考訳): 機械学習における大きな課題は、これらのモデルのトレーニングに要する計算コストである。
モデルのトレーニングは、機械学習モデルを一連のデータに適合させる最適化の一形態と見なすことができ、古典的なコンピュータでかなりの時間を要する可能性がある。
断熱型量子コンピュータは最適化問題の解法に優れており、機械学習のトレーニング時間を改善するための有望な代替手段であると考えている。
本稿では,線形回帰モデルの学習のための断熱的量子コンピューティング手法を提案する。
これを実現するために、回帰問題を二次非拘束二元最適化(qubo)問題として定式化する。
量子アプローチを理論的に解析し、d-wave 2000q adiabatic quantum computerでテストし、そのパフォーマンスをpythonのscikit-learnライブラリを使用する古典的なアプローチと比較する。
解析により、量子的アプローチは、より大きなデータセットの古典的アプローチよりも最大2.8倍のスピードアップを実現し、回帰誤差計量の古典的アプローチと同等の性能を発揮することが示された。
関連論文リスト
- Adiabatic Quantum Support Vector Machines [0.8445084028034932]
本稿では,学習支援ベクトルマシンのための断熱的量子アプローチについて述べる。
量子的アプローチの時間的複雑さは、古典的アプローチよりも桁違いに優れていることを示す。
論文 参考訳(メタデータ) (2024-01-23T04:50:13Z) - Towards provably efficient quantum algorithms for large-scale
machine-learning models [11.440134080370811]
我々は、フォールトトレラントな量子コンピューティングが、一般的な(確率的な)勾配降下アルゴリズムに対して、証明可能な効率のよい解決を提供する可能性を示している。
700万から1億3300万のパラメータから、大規模な機械学習モデルのインスタンスをベンチマークします。
論文 参考訳(メタデータ) (2023-03-06T19:00:27Z) - Toward Theoretical Guidance for Two Common Questions in Practical
Cross-Validation based Hyperparameter Selection [72.76113104079678]
クロスバリデーションに基づくハイパーパラメータ選択における2つの一般的な質問に対する最初の理論的治療について述べる。
これらの一般化は、少なくとも、常に再トレーニングを行うか、再トレーニングを行わないかを常に実行可能であることを示す。
論文 参考訳(メタデータ) (2023-01-12T16:37:12Z) - 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) - Accelerating the training of single-layer binary neural networks using
the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。
しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文 参考訳(メタデータ) (2022-10-23T11:58:05Z) - QBoost for regression problems: solving partial differential equations [0.0]
ハイブリッドアルゴリズムは、必要なキュービット数において、良好な精度と良好なスケーリングで偏微分方程式の解を求めることができる。
古典的な部分は、機械学習を用いて偏微分方程式を解くことができる複数の回帰器を訓練することによって構成される。
量子部分は、回帰問題を解くためにQBoostアルゴリズムを適用することで構成される。
論文 参考訳(メタデータ) (2021-08-30T16:13:04Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z) - Predicting toxicity by quantum machine learning [11.696069523681178]
本研究では, 定量的構造活性相関に基づく221種類のフェノールの毒性予測のためのQMLモデルを開発した。
その結果、量子エンタングルメントによって強化されたデータエンコーディングは、従来のエンタングルよりも表現力が高いことが示唆された。
論文 参考訳(メタデータ) (2020-08-18T02:59:40Z) - QUBO Formulations for Training Machine Learning Models [0.0]
量子コンピューティングのような非伝統的なコンピューティングパラダイムを活用して、機械学習モデルを効率的にトレーニングします。
線形回帰、サポートベクターマシン(SVM)、等サイズのk平均クラスタリングの3つの機械学習モデルのトレーニング問題をQUBO問題として定式化し、断熱量子コンピュータで効率的にトレーニングできるようにした。
我々の定式化の時間と空間の複雑さは(SVM や等サイズの k-平均クラスタリングの場合)、あるいは(線形回帰の場合)その古典的表現と同等であることを示す。
論文 参考訳(メタデータ) (2020-08-05T21:16:05Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳(メタデータ) (2020-05-05T08:00:07Z)
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。