論文の概要: Robustness Verification of Quantum Classifiers
- arxiv url: http://arxiv.org/abs/2008.07230v2
- Date: Mon, 31 May 2021 15:59:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 04:28:06.893352
- Title: Robustness Verification of Quantum Classifiers
- Title(参考訳): 量子分類器のロバスト性検証
- Authors: Ji Guan, Wang Fang, and Mingsheng Ying
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.3534683694551501
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Several important models of machine learning algorithms have been
successfully generalized to the quantum world, with potential speedup to
training classical classifiers and applications to data analytics in quantum
physics that can be implemented on the near future quantum computers. However,
quantum noise is a major obstacle to the practical implementation of quantum
machine learning. In this work, we define a formal framework for the robustness
verification and analysis of quantum machine learning algorithms against
noises. A robust bound is derived and an algorithm is developed to check
whether or not a quantum machine learning algorithm is robust with respect to
quantum training data. In particular, this algorithm can find adversarial
examples during checking. Our approach is implemented on Google's TensorFlow
Quantum and can verify the robustness of quantum machine learning algorithms
with respect to a small disturbance of noises, derived from the surrounding
environment. The effectiveness of our robust bound and algorithm is confirmed
by the experimental results, including quantum bits classification as the
"Hello World" example, quantum phase recognition and cluster excitation
detection from real world intractable physical problems, and the classification
of MNIST from the classical world.
- Abstract(参考訳): 機械学習アルゴリズムのいくつかの重要なモデルが量子世界への一般化に成功し、古典的分類器の訓練と、近い将来の量子コンピュータに実装可能な量子物理学のデータ分析への応用への潜在的なスピードアップが実現されている。
しかし、量子ノイズは量子機械学習の実践的な実装にとって大きな障害である。
本研究では,雑音に対する量子機械学習アルゴリズムの堅牢性検証と解析のための公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。
特に、このアルゴリズムはチェック中に逆の例を見つけることができる。
我々のアプローチはGoogleのTensorFlow Quantumに実装されており、周辺環境から派生したノイズの小さな乱れに対する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。
このアルゴリズムの有効性は,量子ビットの「hello world」例としての分類,実世界の難解な物理問題からの量子位相認識とクラスタ励起検出,古典的世界からのmnistの分類など,実験結果によって確認されている。
関連論文リスト
- Quantum Machine Learning Algorithms for Anomaly Detection: a Review [1.747623282473278]
量子コンピューティングに関わる重要な概念を要約し、量子スピードアップという形式的な概念を導入する。
このレビューは、量子機械学習に基づく異常検出の構造化マップを提供する。
論文 参考訳(メタデータ) (2024-08-20T17:55:25Z) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳(メタデータ) (2024-08-19T12:18:07Z) - Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。
小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
論文 参考訳(メタデータ) (2024-04-01T20:55:03Z) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳(メタデータ) (2024-01-31T01:02:16Z) - Long-lived Particles Anomaly Detection with Parametrized Quantum Circuits [0.0]
パラメタライズド量子回路に基づく異常検出アルゴリズムを提案する。
このアルゴリズムは古典的なコンピュータで訓練され、シミュレーションや実際の量子ハードウェアでテストされている。
論文 参考訳(メタデータ) (2023-12-07T11:50:42Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳(メタデータ) (2023-10-04T17:53:55Z) - Detecting Violations of Differential Privacy for Quantum Algorithms [3.55689240295244]
量子アルゴリズムの差分プライバシー違反を検出するための公式な枠組みを定義する。
差分プライバシー違反が報告されたときに情報を生成するため、ノイズの多いバッジアルゴリズムを開発する。
結果は、すでに現実的な量子コンピュータに実装されているほぼ全ての種類の量子アルゴリズムの実験結果によって確認される。
論文 参考訳(メタデータ) (2023-09-09T15:07:31Z) - 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) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - 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) - Variational Quantum Anomaly Detection: Unsupervised mapping of phase
diagrams on a physical quantum computer [0.0]
量子シミュレーションから量子データを解析するための教師なし量子機械学習アルゴリズムである変分量子異常検出を提案する。
このアルゴリズムは、事前の物理的知識を持たないシステムの位相図を抽出するために用いられる。
現在ではアクセスしやすいデバイスで使用でき、実際の量子コンピュータ上でアルゴリズムを実行することができる。
論文 参考訳(メタデータ) (2021-06-15T06:54:47Z)
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。