論文の概要: VSQL: Variational Shadow Quantum Learning for Classification

• arxiv url: http://arxiv.org/abs/2012.08288v1
• Date: Tue, 15 Dec 2020 13:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-07 12:56:25.133394
• Title: VSQL: Variational Shadow Quantum Learning for Classification
• Title（参考訳）: VSQL: 分類のための変分シャドウ量子学習
• Authors: Guangxi Li, Zhixin Song, Xin Wang
• Abstract要約: 我々は,変分影量子学習と呼ぶ教師付き量子学習のための新しいハイブリッド量子古典フレームワークを提案する。 まず,変分影量子回路を用いて古典的特徴を畳み込みで抽出し,完全連結ニューラルネットワークを用いて分類タスクを完了させる。 本手法は,パラメータ数を著しく削減し,量子回路トレーニングをより容易に行うことができることを示す。
• 参考スコア（独自算出の注目度）: 6.90132007891849
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classification of quantum data is essential for quantum machine learning and near-term quantum technologies. In this paper, we propose a new hybrid quantum-classical framework for supervised quantum learning, which we call Variational Shadow Quantum Learning (VSQL). Our method in particular utilizes the classical shadows of quantum data, which fundamentally represent the side information of quantum data with respect to certain physical observables. Specifically, we first use variational shadow quantum circuits to extract classical features in a convolution way and then utilize a fully-connected neural network to complete the classification task. We show that this method could sharply reduce the number of parameters and thus better facilitate quantum circuit training. Simultaneously, less noise will be introduced since fewer quantum gates are employed in such shadow circuits. Moreover, we show that the Barren Plateau issue, a significant gradient vanishing problem in quantum machine learning, could be avoided in VSQL. Finally, we demonstrate the efficiency of VSQL in quantum classification via numerical experiments on the classification of quantum states and the recognition of multi-labeled handwritten digits. In particular, our VSQL approach outperforms existing variational quantum classifiers in the test accuracy in the binary case of handwritten digit recognition and notably requires much fewer parameters.
• Abstract（参考訳）: 量子データの分類は、量子機械学習と短期量子技術に不可欠である。 本稿では,変分影量子学習(VSQL)と呼ばれる,教師付き量子学習のための新しいハイブリッド量子古典的フレームワークを提案する。 特に,量子データの古典的シャドウを用いて,物理観測量に対する量子データの側面情報を表現する。 具体的には,まず変分影量子回路を用いて古典的特徴を畳み込み方法で抽出し,その後,完全連結ニューラルネットワークを用いて分類タスクを完了させる。 本手法は,パラメータ数を著しく削減し,量子回路トレーニングをより容易に行うことができることを示す。 同時に、そのようなシャドウ回路では量子ゲートが少なくなるため、ノイズが少なくなる。 さらに,量子機械学習における重要な勾配解消問題であるバレン高原問題は,VSQLでは回避可能であることを示した。 最後に,量子状態の分類と多段手書き文字の認識に関する数値実験を通して,vsqlの量子分類における効率を示す。 特に当社のvsqlアプローチは,手書き文字認識のバイナリケースにおけるテスト精度において,既存の変分量子分類器よりも優れており,パラメータが大幅に削減されている。

関連論文リスト

• Quantum phase classification via quantum hypothesis testing [0.39102514525861415]
  理論的には2つの量子状態の区別に最適である量子ネイマン・ピアソン検定に基づく分類アルゴリズムを提案する。 その結果,提案手法は低い分類誤差確率を実現し,トレーニングコストを大幅に削減できることがわかった。 これらの知見は、量子位相分類の強力なツールとしての量子仮説テストの可能性を強調している。
  論文  参考訳（メタデータ） (2025-04-05T08:23:45Z)
• 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)
• 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)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• 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)
• MORE: Measurement and Correlation Based Variational Quantum Circuit for Multi-classification [10.969833959443495]
  MOREは、測定と相関に基づく変分量子多重分類器の略である。 我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
  論文  参考訳（メタデータ） (2023-07-21T19:33:10Z)
• 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)
• 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)
• Recent advances for quantum classifiers [2.459525036555352]
  本稿では,量子支援ベクトルマシン,量子カーネル法,量子決定木,量子近接アルゴリズムなど,多数の量子分類アルゴリズムについて概説する。 次に、基本的に分類のための変分量子回路である変分量子分類器を紹介する。
  論文  参考訳（メタデータ） (2021-08-30T18:00:00Z)
• Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
  我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。 QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-17T12:02:01Z)
• Continuous Variable Quantum Advantages and Applications in Quantum Optics [0.0]
  この論文は連続変数と光学的設定における3つの主要な問題に焦点を当てている。 量子マシンが古典的マシンを上回る能力はどこから来るのか? 量子情報の使用によって実際に得られる利点は何か?
  論文  参考訳（メタデータ） (2021-02-10T02:43:27Z)

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。