論文の概要: Quantum machine learning models are kernel methods

• arxiv url: http://arxiv.org/abs/2101.11020v1
• Date: Tue, 26 Jan 2021 19:00:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 06:01:48.993626
• Title: Quantum machine learning models are kernel methods
• Title（参考訳）: 量子機械学習モデルはカーネル手法である
• Authors: Maria Schuld
• Abstract要約: この技術写本は、量子モデルをカーネルメソッドとして体系的に言い換えることでリンクを要約し、形式化し、拡張する。 これは、ほとんどの短期およびフォールトトレラント量子モデルは、一般的な支持ベクトルマシンに置き換えることができることを示している。 特にカーネルベースのトレーニングは、変分回路のトレーニングよりも優れた、あるいは同等に優れた量子モデルを見つけることが保証されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With near-term quantum devices available and the race for fault-tolerant quantum computers in full swing, researchers became interested in the question of what happens if we replace a machine learning model with a quantum circuit. While such "quantum models" are sometimes called "quantum neural networks", it has been repeatedly noted that their mathematical structure is actually much more closely related to kernel methods: they analyse data in high-dimensional Hilbert spaces to which we only have access through inner products revealed by measurements. This technical manuscript summarises, formalises and extends the link by systematically rephrasing quantum models as a kernel method. It shows that most near-term and fault-tolerant quantum models can be replaced by a general support vector machine whose kernel computes distances between data-encoding quantum states. In particular, kernel-based training is guaranteed to find better or equally good quantum models than variational circuit training. Overall, the kernel perspective of quantum machine learning tells us that the way that data is encoded into quantum states is the main ingredient that can potentially set quantum models apart from classical machine learning models.
• Abstract（参考訳）: 近い将来の量子デバイスが利用可能になり、フォールトトレラント量子コンピュータの競争が本格化し、研究者は機械学習モデルを量子回路に置き換えるとどうなるかという問題に関心を持つようになった。 このような「量子モデル」は「量子ニューラルネットワーク」と呼ばれることもあるが、それらの数学的構造は実際はカーネルの手法と非常に密接な関係にあると繰り返し指摘されている。 この技術写本は、量子モデルをカーネルメソッドとして体系的に言い換えることでリンクを要約し、形式化し、拡張する。 これは、ほとんどの短期的およびフォールトトレラント量子モデルは、カーネルがデータエンコード量子状態間の距離を計算する一般的なサポートベクトルマシンに置き換えることができることを示している。 特にカーネルベースのトレーニングは、変分回路のトレーニングよりも優れた、あるいは同等に優れた量子モデルを見つけることが保証されている。 全体として、量子機械学習のカーネルパースペクティブは、データが量子状態にエンコードされる方法が、古典的な機械学習モデルとは別に量子モデルを設定できる主要な要素であることを示している。

関連論文リスト

• 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)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• A Kerr kernel quantum learning machine [0.0]
  超伝導量子回路に基づく量子ハードウェアカーネルの実装手法を提案する。 このスキームは量子ビットや量子回路を使用せず、カーモードのアナログ特性を利用する。
  論文  参考訳（メタデータ） (2024-04-02T09:50:33Z)
• A Unified Framework for Trace-induced Quantum Kernels [0.0]
  量子カーネル法は、特定の機械学習タスクに対して実用的な量子優位性を達成するための有望な候補である。 この研究では、すべてのトレース誘起量子カーネルを共通のフレームワークに結合する。 局所的に投影されたカーネルに基づくモデルが,グローバルな忠実度量子カーネルに匹敵する性能を達成できることを数値的に示す。
  論文  参考訳（メタデータ） (2023-11-22T17:50:00Z)
• 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)
• Kernel-based quantum regressor models learn non-Markovianity [0.0]
  カーネルベースの量子機械学習モデルはパラダイム的な例である。 カーネルが手元にある場合、学習プロセスには通常の機械学習モデルが使用される。 我々のモデルは、完全に古典的なモデルに匹敵する正確な予測を提供する。
  論文  参考訳（メタデータ） (2022-09-23T15:36:15Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Quantum tangent kernel [0.8921166277011345]
  本研究では,パラメータ化量子回路を用いた量子機械学習モデルについて検討する。 深層量子回路のパラメータは、トレーニング中に初期値からあまり移動しないことがわかった。 このような深い変動量子機械学習は、別の創発的カーネルである量子タンジェントカーネルによって記述することができる。
  論文  参考訳（メタデータ） (2021-11-04T15:38:52Z)
• Training Quantum Embedding Kernels on Near-Term Quantum Computers [0.08563354084119063]
  量子コンピュータのヒルベルト空間にデータを埋め込むことで構築された量子埋め込みカーネル(QEK)は、特定の量子カーネル技術である。 まず、量子埋め込みカーネルを紹介し、ノイズの多い短期量子コンピュータ上でそれらを実現する際に生じる現実的な問題を解析する。
  論文  参考訳（メタデータ） (2021-05-05T18:41:13Z)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。 我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)

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。