論文の概要: Quantum Earth Mover's Distance: A New Approach to Learning Quantum Data

• arxiv url: http://arxiv.org/abs/2101.03037v1
• Date: Fri, 8 Jan 2021 14:33:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 05:13:29.777335
• Title: Quantum Earth Mover's Distance: A New Approach to Learning Quantum Data
• Title（参考訳）: 量子地球モーバーの距離:量子データ学習のための新しいアプローチ
• Authors: Bobak Toussi Kiani, Giacomo De Palma, Milad Marvian, Zi-Wen Liu, Seth Lloyd
• Abstract要約: 我々は、量子地球(EM)またはワッサーシュタイン-1距離が、他のよく使われる量子距離測定では見つからない独自の性質を持つことを示した。 本論文では,量子EM距離を利用し,量子データ上で学習を行う効率的な手段を提供する量子Wasserstein生成逆対流ネットワーク(qWGAN)を提案する。
• 参考スコア（独自算出の注目度）: 12.109551561313706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying how far the output of a learning algorithm is from its target is an essential task in machine learning. However, in quantum settings, the loss landscapes of commonly used distance metrics often produce undesirable outcomes such as poor local minima and exponentially decaying gradients. As a new approach, we consider here the quantum earth mover's (EM) or Wasserstein-1 distance, recently proposed in [De Palma et al., arXiv:2009.04469] as a quantum analog to the classical EM distance. We show that the quantum EM distance possesses unique properties, not found in other commonly used quantum distance metrics, that make quantum learning more stable and efficient. We propose a quantum Wasserstein generative adversarial network (qWGAN) which takes advantage of the quantum EM distance and provides an efficient means of performing learning on quantum data. Our qWGAN requires resources polynomial in the number of qubits, and our numerical experiments demonstrate that it is capable of learning a diverse set of quantum data.
• Abstract（参考訳）: 学習アルゴリズムの出力が目標からどのくらい離れているかを定量化することは、機械学習において不可欠なタスクである。 しかし、量子環境では、一般的に使われる距離測定値のロスランドスケープは、局所的な極小さや指数関数的に減衰する勾配といった望ましくない結果を生み出すことが多い。 新たなアプローチとして、最近の[De Palma et al., arXiv:2009.04469]で提案された量子地球移動器(EM)またはワッサーシュタイン-1距離を、古典的EM距離の量子アナログとして考える。 量子EM距離は、量子学習をより安定かつ効率的にする他の一般的な量子距離測度には見つからない独自の性質を持つことを示す。 本稿では,量子em距離を活用し,量子データ上で学習を行う効率的な手法を提供する量子wasserstein生成逆ネットワーク(qwgan)を提案する。 我々のqwganは、量子ビット数に資源多項式を必要とし、数値実験により、多様な量子データ集合を学習できることが示される。

関連論文リスト

• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Preparation of Entangled Many-Body States with Machine Learning [0.06768558752130309]
  量子シミュレータ上での標的量子多体状態の生成は、量子科学と技術の重要なステップの1つである。 少数の量子ビットでは、グリーンベルガー=ホルン=ゼーリンガー状態のようないくつかの量子状態が準備されているが、多くの量子ビットを持つ系では根本的な困難が残っている。 そこで我々は,深層学習プロセスを実装したアルゴリズムを1つ提供し,多くの量子ビットで目標基底状態を作成する。
  論文  参考訳（メタデータ） (2023-07-27T05:03:57Z)
• 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)
• Expressive Quantum Supervised Machine Learning using Kerr-nonlinear Parametric Oscillators [0.0]
  変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。 近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。 我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
  論文  参考訳（メタデータ） (2023-05-01T07:01:45Z)
• 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)
• Wasserstein Complexity of Quantum Circuits [10.79258896719392]
  ユニタリ変換が与えられた場合、それを実装する最小の量子回路のサイズは? この量は量子回路複雑性(quantum circuit complexity)と呼ばれ、量子進化の基本的な性質である。 提案手法は, 量子回路の実装に要する実験コストの低減にも有効であることを示す。
  論文  参考訳（メタデータ） (2022-08-12T14:44:13Z)
• A Theoretical Framework for Learning from Quantum Data [15.828697880068704]
  量子データから古典パターンを学習するための理論的基盤を提案する。 我々はよく知られたPACフレームワークの量子対について述べる。 量子サンプル複雑性量子概念クラスの上界を確立する。
  論文  参考訳（メタデータ） (2021-07-13T21:39:47Z)
• 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)
• Imaginary Time Propagation on a Quantum Chip [50.591267188664666]
  想像時間における進化は、量子多体系の基底状態を見つけるための顕著な技術である。 本稿では,量子コンピュータ上での仮想時間伝搬を実現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-24T12:48:00Z)
• Finding Quantum Critical Points with Neural-Network Quantum States [0.0]
  本稿では,ニューラルネットワーク量子状態を用いた量子イジングモデルの量子臨界点探索手法を提案する。 我々は、本質的に制限されたボルツマンマシン、トランスファーラーニング、教師なし学習を解析的に構築した。
  論文  参考訳（メタデータ） (2020-02-07T04:39:09Z)

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。