論文の概要: A Continuous Variable Born Machine

• arxiv url: http://arxiv.org/abs/2011.00904v1
• Date: Mon, 2 Nov 2020 11:36:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 01:49:08.410510
• Title: A Continuous Variable Born Machine
• Title（参考訳）: 連続変数ボルンマシン
• Authors: Ieva \v{C}epait\.e, Brian Coyle, Elham Kashefi
• Abstract要約: 本稿では、連続変数量子コンピューティングの代替アーキテクチャに基づいて構築された連続変数ボルンマシンについて述べる。 量子的連続分布と古典的連続分布の両方を学習できるモデルを示す数値的な結果を提供する。
• 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: Generative Modelling has become a promising use case for near term quantum computers. In particular, due to the fundamentally probabilistic nature of quantum mechanics, quantum computers naturally model and learn probability distributions, perhaps more efficiently than can be achieved classically. The Born machine is an example of such a model, easily implemented on near term quantum computers. However, in its original form, the Born machine only naturally represents discrete distributions. Since probability distributions of a continuous nature are commonplace in the world, it is essential to have a model which can efficiently represent them. Some proposals have been made in the literature to supplement the discrete Born machine with extra features to more easily learn continuous distributions, however, all invariably increase the resources required to some extent. In this work, we present the continuous variable Born machine, built on the alternative architecture of continuous variable quantum computing, which is much more suitable for modelling such distributions in a resource-minimal way. We provide numerical results indicating the models ability to learn both quantum and classical continuous distributions, including in the presence of noise.
• Abstract（参考訳）: ジェネレイティブモデリングは、短期量子コンピュータの有望なユースケースとなっている。 特に、量子力学の基本的な確率的性質から、量子コンピュータは自然に確率分布をモデル化し学習するが、これは古典的に達成できるよりも効率的である。 ボルンマシンはそのようなモデルの例であり、近距離量子コンピュータに容易に実装できる。 しかし、元々の形式では、ボルンマシンは自然に離散分布を表すだけである。 連続的な自然の確率分布は世界で一般的であるため、それらを効率的に表現できるモデルを持つことが不可欠である。 文学では、連続分布をより容易に学習するために、個別のボルンマシンを補うためのいくつかの提案がなされているが、これら全ては、ある程度のリソースを常に増加させる。 本研究では、連続変数量子コンピューティングの代替アーキテクチャに基づいて構築された連続変数ボルンマシンについて述べる。 ノイズの有無を含む量子的連続分布と古典的連続分布の両方を学習する能力を示す数値的な結果を提供する。

関連論文リスト

• Parameterized quantum circuits as universal generative models for continuous multivariate distributions [1.118478900782898]
  量子回路は、回帰、分類、生成タスクにおける機械学習モデルの基盤として広く使われている。 本研究では,予測値のサンプリングベースモデルを解明し,そのような変動量子アルゴリズムの普遍性を証明する。 我々の結果は、生成的モデリングタスクにおける将来の量子回路の設計を導くのに役立つかもしれない。
  論文  参考訳（メタデータ） (2024-02-15T10:08:31Z)
• Normal quantum channels and Markovian correlated two-qubit quantum errors [77.34726150561087]
  一般の'分散ランダムなユニタリ変換について検討する。 一方、正規分布はユニタリ量子チャネルを誘導する。 一方、拡散ランダムウォークは単位量子過程を定義する。
  論文  参考訳（メタデータ） (2023-07-25T15:33:28Z)
• 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)
• On Quantum Circuits for Discrete Graphical Models [1.0965065178451106]
  一般的な離散因子モデルから、偏りのない、独立なサンプルを確実に生成できる最初の方法を提案する。 本手法は多体相互作用と互換性があり,その成功確率は変数数に依存しない。 量子シミュレーションおよび実際の量子ハードウェアを用いた実験は,本手法が量子コンピュータ上でサンプリングおよびパラメータ学習を行うことができることを示す。
  論文  参考訳（メタデータ） (2022-06-01T11:03:51Z)
• Conditional Born machine for Monte Carlo events generation [0.0]
  本稿では,モンテカルロシミュレーションへのボルンマシンの適用と,その到達範囲を条件分布に拡張する。 人工機械は、高エネルギー物理衝突器実験において、ミューオン力キャリア(MFC)イベントを生成するために使用される。 実証的な証拠は、ボルンマシンがモンテカルロシミュレーションから得られたデータセットの分布を再現できることを示唆している。
  論文  参考訳（メタデータ） (2022-05-16T13:41:03Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)
• Generative Quantum Learning of Joint Probability Distribution Functions [1.221966660783828]
  我々はコプラをモデル化するための量子機械学習アルゴリズムを設計する。 任意のコプラを最大交絡状態に自然にマッピングできることが示される。 変分 ansatz を qopula' として定義すると、変数間の任意の相関が生成される。
  論文  参考訳（メタデータ） (2021-09-13T20:50:15Z)
• Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
  少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。 逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-03-04T18:21:00Z)
• Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
  確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。 このような量子相関が生成モデリングの強力な資源となることを理論的に示す。 この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
  論文  参考訳（メタデータ） (2021-01-20T22:57:22Z)
• Contextuality scenarios arising from networks of stochastic processes [68.8204255655161]
  経験的モデルは、その分布が X 上の合同分布を極小化することができなければ文脈的と言える。 我々は、多くのプロセス間の相互作用という、文脈的経験的モデルの異なる古典的な源泉を示す。 長期にわたるネットワークの統計的挙動は、経験的モデルを一般的な文脈的かつ強い文脈的にする。
  論文  参考訳（メタデータ） (2020-06-22T16:57:52Z)

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。