論文の概要: Power of data in quantum machine learning
- arxiv url: http://arxiv.org/abs/2011.01938v2
- Date: Wed, 10 Feb 2021 21:10:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 06:14:02.690548
- Title: Power of data in quantum machine learning
- Title(参考訳): 量子機械学習におけるデータのパワー
- Authors: Hsin-Yuan Huang, Michael Broughton, Masoud Mohseni, Ryan Babbush,
Sergio Boixo, Hartmut Neven, Jarrod R. McClean
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.1012068875084964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of quantum computing for machine learning is among the most exciting
prospective applications of quantum technologies. However, machine learning
tasks where data is provided can be considerably different than commonly
studied computational tasks. In this work, we show that some problems that are
classically hard to compute can be easily predicted by classical machines
learning from data. Using rigorous prediction error bounds as a foundation, we
develop a methodology for assessing potential quantum advantage in learning
tasks. The bounds are tight asymptotically and empirically predictive for a
wide range of learning models. These constructions explain numerical results
showing that with the help of data, classical machine learning models can be
competitive with quantum models even if they are tailored to quantum problems.
We then propose a projected quantum model that provides a simple and rigorous
quantum speed-up for a learning problem in the fault-tolerant regime. For
near-term implementations, we demonstrate a significant prediction advantage
over some classical models on engineered data sets designed to demonstrate a
maximal quantum advantage in one of the largest numerical tests for gate-based
quantum machine learning to date, up to 30 qubits.
- Abstract(参考訳): 機械学習における量子コンピューティングの利用は、量子技術の最もエキサイティングな応用の1つだ。
しかし、データを提供する機械学習タスクは、一般に研究されている計算タスクとは大きく異なる。
本研究では,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を示す。
厳密な予測誤差境界を基礎として,学習課題における量子的優位性を評価する手法を開発した。
境界は、幅広い学習モデルに対して漸近的かつ経験的に予測される。
これらの構成は、データの助けを借りて、たとえ量子問題に合わせたとしても、古典的な機械学習モデルが量子モデルと競合できることを示す数値的結果を説明する。
そこで我々は,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提供する予測量子モデルを提案する。
短期的実装では,最大30量子ビットまでのゲート型量子機械学習における最大量子長所を実証するために設計されたデータ集合において,いくつかの古典モデルよりも大きな予測長所を実証する。
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) - Classical Verification of Quantum Learning [42.362388367152256]
量子学習の古典的検証のための枠組みを開発する。
そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。
この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
論文 参考訳(メタデータ) (2023-06-08T00:31:27Z) - Transition role of entangled data in quantum machine learning [65.73265547435442]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳(メタデータ) (2023-06-06T08:06:43Z) - VQE-generated Quantum Circuit Dataset for Machine Learning [0.5658123802733283]
変動量子固有解法により最適化された量子回路のデータセットを提供する。
このデータセットは量子的手法で容易に学習できることが示される。
論文 参考訳(メタデータ) (2023-02-20T04:08:44Z) - 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) - 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) - Quantum Machine Learning: Fad or Future? [0.0]
私たちは、古典的なコンピューティングデバイスによって、利用可能な最大計算能力のしきい値に素早く近づきます。
これは、今や数十億と数兆のパラメータを持つモデルサイズが指数関数的に増加するためである。
本稿では、量子機械学習が古典的な機械学習アプローチよりも優れているという側面を検証し、検証する。
論文 参考訳(メタデータ) (2021-06-20T15:39:36Z) - Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。
より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文 参考訳(メタデータ) (2020-01-28T17:35:32Z)
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。