論文の概要: A Unified Framework for Quantum Supervised Learning

• arxiv url: http://arxiv.org/abs/2010.13186v2
• Date: Tue, 16 Feb 2021 16:43:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 18:52:59.801055
• Title: A Unified Framework for Quantum Supervised Learning
• Title（参考訳）: 量子教師付き学習のための統一フレームワーク
• Authors: Nhat A. Nghiem, Samuel Yen-Chi Chen, Tzu-Chieh Wei
• Abstract要約: トレーニング可能な量子回路を用いた教師あり学習のための埋め込み型フレームワークを提案する。 これらのアプローチの目的は、異なるクラスからヒルベルト空間の分離された位置へ、量子的特徴写像を通してデータをマッピングすることである。 我々は、明示的なアプローチと他の量子教師あり学習モデルとの本質的な接続を確立する。
• 参考スコア（独自算出の注目度）: 0.7366405857677226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning is an emerging field that combines machine learning with advances in quantum technologies. Many works have suggested great possibilities of using near-term quantum hardware in supervised learning. Motivated by these developments, we present an embedding-based framework for supervised learning with trainable quantum circuits. We introduce both explicit and implicit approaches. The aim of these approaches is to map data from different classes to separated locations in the Hilbert space via the quantum feature map. We will show that the implicit approach is a generalization of a recently introduced strategy, so-called \textit{quantum metric learning}. In particular, with the implicit approach, the number of separated classes (or their labels) in supervised learning problems can be arbitrarily high with respect to the number of given qubits, which surpasses the capacity of some current quantum machine learning models. Compared to the explicit method, this implicit approach exhibits certain advantages over small training sizes. Furthermore, we establish an intrinsic connection between the explicit approach and other quantum supervised learning models. Combined with the implicit approach, this connection provides a unified framework for quantum supervised learning. The utility of our framework is demonstrated by performing both noise-free and noisy numerical simulations. Moreover, we have conducted classification testing with both implicit and explicit approaches using several IBM Q devices.
• Abstract（参考訳）: 量子機械学習は、機械学習と量子技術の進歩を組み合わせた新興分野である。 多くの研究が、教師あり学習に短期量子ハードウェアを使用する可能性を示している。 本稿では,学習可能な量子回路を用いた教師付き学習のための組込み型フレームワークを提案する。 我々は明示的アプローチと暗黙的アプローチの両方を導入する。 これらのアプローチの目的は、異なるクラスから量子特徴写像を介してヒルベルト空間内の分離された場所へデータをマッピングすることである。 暗黙的アプローチは、最近導入された戦略、いわゆる \textit{quantum metric learning}の一般化であることを示す。 特に暗黙的なアプローチでは、教師付き学習問題における分離されたクラス(またはそれらのラベル)の数は、現在の量子機械学習モデルの容量を超える与えられたキュービットの数に対して任意に高い。 明示的な手法と比較すると、この暗黙のアプローチは、小さなトレーニングサイズよりもいくつかの利点を示す。 さらに、明示的なアプローチと他の量子教師あり学習モデルとの本質的な関係を確立する。 暗黙的アプローチと組み合わせることで、この接続は量子教師付き学習のための統一フレームワークを提供する。 本手法は雑音のない,ノイズの多い数値シミュレーションによって実演する。 さらに、いくつかのIBM Qデバイスを用いて暗黙的および明示的なアプローチで分類試験を行った。

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)
• Quantum Advantage Actor-Critic for Reinforcement Learning [5.579028648465784]
  本稿では,Advantage Actor-Criticアルゴリズムと変分量子回路を組み合わせた新しい量子強化学習手法を提案する。 複数の量子アドバンテージ・アクター・クリティカル構成をよく知られたカートポール環境で実証的にテストし、連続的な状態空間を持つ制御タスクにおける我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2024-01-13T11:08:45Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• The power and limitations of learning quantum dynamics incoherently [1.5932228048141346]
  量子プロセス学習は、量子システムを研究する重要なツールとして浮上している。 我々は、単元プロセスの学習におけるサンプルの複雑さを不整合に制限する。 任意の測定が可能であれば、任意の効率的な表現可能なユニタリを非一貫性フレームワーク内で効率的に学習できることを示す。
  論文  参考訳（メタデータ） (2023-03-22T18:00:02Z)
• 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)
• A Survey on Quantum Reinforcement Learning [2.5882725323376112]
  量子強化学習は、量子コンピューティングと機械学習の交差する分野である。 既に利用可能なノイズの多い中間スケール量子デバイスに焦点を合わせ、それらは関数近似器として機能する変分量子回路を含む。 さらに、将来のフォールトトレラントハードウェアに基づく量子強化学習アルゴリズムを調査し、その一部は証明可能な量子優位性を持つ。
  論文  参考訳（メタデータ） (2022-11-07T11:25:47Z)
• Modern applications of machine learning in quantum sciences [51.09906911582811]
  本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。 我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
  論文  参考訳（メタデータ） (2022-04-08T17:48:59Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• 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)
• How to enhance quantum generative adversarial learning of noisy information [5.8010446129208155]
  最適化プロセス中にどのような異なるトレーニング問題が発生するかを示す。 我々は,どのオペレーティング・システムにおいても,より高速な収束を実現するための新しい戦略を提案する。 本研究は,このようなハイブリッド古典量子プロトコルの実験的実験の道を開くものである。
  論文  参考訳（メタデータ） (2020-12-10T21:48:26Z)

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。