論文の概要: Nearest Centroid Classification on a Trapped Ion Quantum Computer

• arxiv url: http://arxiv.org/abs/2012.04145v2
• Date: Wed, 9 Dec 2020 23:56:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 18:43:45.186740
• Title: Nearest Centroid Classification on a Trapped Ion Quantum Computer
• Title（参考訳）: 閉じ込められたイオン量子コンピュータにおける最寄りのセントロイド分類
• Authors: Sonika Johri, Shantanu Debnath, Avinash Mocherla, Alexandros Singh, Anupam Prakash, Jungsang Kim and Iordanis Kerenidis
• Abstract要約: 我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
• 参考スコア（独自算出の注目度）: 57.5195654107363
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantum machine learning has seen considerable theoretical and practical developments in recent years and has become a promising area for finding real world applications of quantum computers. In pursuit of this goal, here we combine state-of-the-art algorithms and quantum hardware to provide an experimental demonstration of a quantum machine learning application with provable guarantees for its performance and efficiency. In particular, we design a quantum Nearest Centroid classifier, using techniques for efficiently loading classical data into quantum states and performing distance estimations, and experimentally demonstrate it on a 11-qubit trapped-ion quantum machine, matching the accuracy of classical nearest centroid classifiers for the MNIST handwritten digits dataset and achieving up to 100% accuracy for 8-dimensional synthetic data.
• Abstract（参考訳）: 量子機械学習は近年、理論上、実用的な発展を遂げており、量子コンピュータの実世界の応用を見出す有望な分野となっている。 この目標を追求するために、我々は最先端のアルゴリズムと量子ハードウェアを組み合わせて、量子機械学習アプリケーションの実験的なデモを行い、その性能と効率性を保証する。 特に,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近距離Centroid分類器を設計し,MNIST手書き桁データセットの古典的近遠距離Centroid分類器の精度と8次元合成データに対する最大100%の精度とを一致させて,11ビットの量子マシン上で実験的に実証する。

関連論文リスト

• Unsupervised Quantum Anomaly Detection on Noisy Quantum Processors [1.2325897339438878]
  本稿では,一クラス支援ベクトルマシン(OCSVM)アルゴリズムの一般化特性の系統的解析を行う。 結果は理論的にシミュレートされ、トラップイオンおよび超伝導量子プロセッサ上で実験的に検証された。
  論文  参考訳（メタデータ） (2024-11-25T22:42:38Z)
• Distributed quantum machine learning via classical communication [0.7378853859331619]
  本稿では,古典的通信を通じて量子プロセッサユニットを統合する実験的な分散量子機械学習手法を提案する。 その結果,古典的コミュニケーションを取り入れることで,コミュニケーションのないスキームに比べて分類精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-08-29T08:05:57Z)
• 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)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• 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)
• Machine learning applications for noisy intermediate-scale quantum computers [0.0]
  NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。 これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。 近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-19T09:26:57Z)
• Quantum kernels for real-world predictions based on electronic health records [0.0]
  医療・生命科学における経験的量子優位性(EQA)に関する最初の体系的研究を報告する。 各構成座標に対して、IBM量子コンピュータを用いて、放射基底関数(RBF)カーネルとカスタムカーネルを用いた量子モデルに基づく古典的サポートベクトルマシン(SVM)モデルを訓練した。 我々は、量子カーネルが特定のデータセットに利点をもたらすレシエーションを実証的に特定し、与えられたモデルの精度を定量的に見積もる指標である地形粗さ指数を導入した。
  論文  参考訳（メタデータ） (2021-12-12T12:06:19Z)
• 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)

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。