論文の概要: Quantum-Enhanced Machine Learning for Covid-19 and Anderson Insulator
Predictions
- arxiv url: http://arxiv.org/abs/2012.03472v1
- Date: Mon, 7 Dec 2020 06:33:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 21:12:40.279843
- Title: Quantum-Enhanced Machine Learning for Covid-19 and Anderson Insulator
Predictions
- Title(参考訳): Covid-19とAnderson Insulator予測のための量子強化機械学習
- Authors: Paul-Aymeric McRae and Michael Hilke
- Abstract要約: 機械学習の「量子エンハンスメント」のためのプロトコルの有効性を評価する。
計算には16量子ビットのIBM量子コンピュータを使用しました。
量子エンハンスメント(quantum enhancement)"は汎用的ではなく、より複雑な機械学習タスクでは失敗する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Machine Learning (QML) algorithms to solve classifications problems
have been made available thanks to recent advancements in quantum computation.
While the number of qubits are still relatively small, they have been used for
"quantum enhancement" of machine learning. An important question is related to
the efficacy of such protocols. We evaluate this efficacy using common baseline
data sets, in addition to recent coronavirus spread data as well as the quantum
metal-insulator transition in three dimensions. For the computation, we used
the 16 qubit IBM quantum computer. We find that the "quantum enhancement" is
not generic and fails for more complex machine learning tasks.
- Abstract(参考訳): 分類問題を解決する量子機械学習(QML)アルゴリズムは、近年の量子計算の進歩により利用可能になった。
量子ビットの数は依然として比較的少ないが、機械学習の「量子強化」に使われている。
重要な質問は、そのようなプロトコルの有効性に関するものである。
この効果は,最近の新型コロナウイルスの拡散データに加えて,3次元の量子金属絶縁体転移に加え,共通のベースラインデータセットを用いて評価する。
計算には16量子ビットのIBM量子コンピュータを使用しました。
量子エンハンスメント(quantum enhancement)"は汎用的ではなく、より複雑な機械学習タスクでは失敗する。
関連論文リスト
- Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳(メタデータ) (2023-07-31T14:45:29Z) - 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) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳(メタデータ) (2022-09-22T21:54:28Z) - Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。
予測の利点を生かして、新しいタイプの量子測度がもたらされる。
予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文 参考訳(メタデータ) (2022-09-12T15:47:44Z) - Systematic Literature Review: Quantum Machine Learning and its
applications [0.0]
この写本は、2017年から2023年にかけて発行された論文の体系的文献レビューを提示することを目的としている。
本研究では、量子機械学習技術とアルゴリズムを使用した94の論文を特定した。
既存の量子コンピュータには、量子コンピューティングがその完全な潜在能力を達成するのに十分な品質、速度、スケールが欠けているため、量子ハードウェアの改善が必要である。
論文 参考訳(メタデータ) (2022-01-11T17:36:34Z) - Quantum Algorithms for Unsupervised Machine Learning and Neural Networks [2.28438857884398]
行列積や距離推定といったタスクを解くために量子アルゴリズムを導入する。
これらの結果は、教師なし機械学習のための新しい量子アルゴリズムの開発に使用される。
また、ニューラルネットワークやディープラーニングのための新しい量子アルゴリズムも提示します。
論文 参考訳(メタデータ) (2021-11-05T16:36:09Z) - Large-scale quantum machine learning [0.0]
ランダム化計測を用いて量子カーネルを計測し、2次高速化を行い、大規模データセットを高速に処理する。
我々は高次元データを回路深度と線形にスケーリングする特徴数で量子コンピュータに効率的にエンコードする。
現在利用可能な量子コンピュータを使用して、MNISTデータベースは10年ではなく220時間以内に処理できる。
論文 参考訳(メタデータ) (2021-08-02T17:00:18Z) - Quantum-enhanced bosonic learning machine [0.0]
本稿では,量子データに閉じ込められたイオンのシステムで動作させる量子強化ボソニック学習マシンについて述べる。
我々は、高次元量子状態の集合におけるパターンを認識するために、教師なしK平均アルゴリズムを実装した。
得られた知識を用いて、未知の量子状態を教師付きk-NNアルゴリズムで分類する。
論文 参考訳(メタデータ) (2021-04-09T02:44:57Z) - Quantum walk processes in quantum devices [55.41644538483948]
グラフ上の量子ウォークを量子回路として表現する方法を研究する。
提案手法は,量子ウォークアルゴリズムを量子コンピュータ上で効率的に実装する方法である。
論文 参考訳(メタデータ) (2020-12-28T18:04:16Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。