論文の概要: Machine learning of high dimensional data on a noisy quantum processor

• arxiv url: http://arxiv.org/abs/2101.09581v1
• Date: Sat, 23 Jan 2021 20:36:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 04:17:15.517645
• Title: Machine learning of high dimensional data on a noisy quantum processor
• Title（参考訳）: 雑音量子プロセッサを用いた高次元データの機械学習
• Authors: Evan Peters, Jo\~ao Caldeira, Alan Ho, Stefan Leichenauer, Masoud Mohseni, Hartmut Neven, Panagiotis Spentzouris, Doug Strain, Gabriel N. Perdue
• Abstract要約: 本稿では,Googleの汎用量子プロセッサであるSycamoreを用いた高次元データ解析のための量子カーネル手法を提案する。 この手法は, 実スペクトル特徴を用いた超新星分類の宇宙学的ベンチマークにおいて, 次元の減少がなく, 核要素を消滅させることなく, うまく適用できる。
• 参考スコア（独自算出の注目度）: 0.3372751145910977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a quantum kernel method for high-dimensional data analysis using Google's universal quantum processor, Sycamore. This method is successfully applied to the cosmological benchmark of supernova classification using real spectral features with no dimensionality reduction and without vanishing kernel elements. Instead of using a synthetic dataset of low dimension or pre-processing the data with a classical machine learning algorithm to reduce the data dimension, this experiment demonstrates that machine learning with real, high dimensional data is possible using a quantum processor; but it requires careful attention to shot statistics and mean kernel element size when constructing a circuit ansatz. Our experiment utilizes 17 qubits to classify 67 dimensional data - significantly higher dimensionality than the largest prior quantum kernel experiments - resulting in classification accuracy that is competitive with noiseless simulation and comparable classical techniques.
• Abstract（参考訳）: 本稿では,google の汎用量子プロセッサ sycamore を用いた高次元データ解析のための量子カーネル法を提案する。 本手法は,超新星分類の宇宙論的ベンチマークに適用し,次元を減少させることなく,核要素を消滅させることなく,実スペクトル特徴量を用いた。 この実験は、低次元の合成データセットを使用したり、古典的な機械学習アルゴリズムでデータを前処理する代わりに、実際の高次元データによる機械学習が量子プロセッサを用いて可能であることを実証するが、回路アンサッツを構築する際には、ショット統計と平均カーネル要素サイズに注意が必要である。 我々の実験では、17量子ビットを用いて67次元データを分類し、最大の量子カーネル実験よりもはるかに高い次元で、ノイズレスシミュレーションと同等の古典的手法と競合する分類精度をもたらす。

関連論文リスト

• Enhancing the performance of Variational Quantum Classifiers with hybrid autoencoders [0.0]
  本稿では,特定の量子埋め込みを考慮し,与えられたデータセットの次元性を低減する方法を提案する。 この方法は、VQCを用いた量子機械学習をより汎用的で高次元のデータセットに効果的にすることを目的としている。
  論文  参考訳（メタデータ） (2024-09-05T08:51:20Z)
• 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)
• Guided Quantum Compression for Higgs Identification [0.0]
  量子機械学習は、データを解析するための根本的に斬新で有望なアプローチを提供する。 本研究では,従来のオートエンコーダを独立処理ステップとして使用することにより,量子機械学習アルゴリズムの分類性能を大幅に低下させることができることを示す。 我々は、前処理と量子分類アルゴリズムを単一のトレーニング可能なモデル、すなわちガイド付き量子圧縮モデルに統合するアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-02-14T19:01:51Z)
• 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)
• Higher-order topological kernels via quantum computation [68.8204255655161]
  トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。 本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:48:52Z)
• 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)
• Fitting a Collider in a Quantum Computer: Tackling the Challenges of Quantum Machine Learning for Big Datasets [0.0]
  この課題に対処するために、特徴とデータプロトタイプの選択手法が研究された。 グリッドサーチが行われ、量子機械学習モデルが訓練され、古典的な浅層機械学習手法に対してベンチマークされた。 量子アルゴリズムの性能は、大規模なデータセットを使用しても、古典的なアルゴリズムに匹敵することがわかった。
  論文  参考訳（メタデータ） (2022-11-06T22:45:37Z)
• Parametric t-Stochastic Neighbor Embedding With Quantum Neural Network [0.6946929968559495]
  t-SNE(t-Stochastic Neighbor Embedding)は、古典的機械学習における非パラメトリックデータ可視化手法である。 低次元データ上での高次元量子データの特性を反映するために、パラメトリックt-SNEに量子ニューラルネットワークを用いることを提案する。
  論文  参考訳（メタデータ） (2022-02-09T02:49:54Z)
• 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 Algorithms for Data Representation and Analysis [68.754953879193]
  機械学習におけるデータ表現のための固有problemsの解を高速化する量子手続きを提供する。 これらのサブルーチンのパワーと実用性は、主成分分析、対応解析、潜在意味解析のための入力行列の大きさのサブ線形量子アルゴリズムによって示される。 その結果、入力のサイズに依存しない実行時のパラメータは妥当であり、計算モデル上の誤差が小さいことが示され、競合的な分類性能が得られる。
  論文  参考訳（メタデータ） (2021-04-19T00:41:43Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  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。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。