論文の概要: Quantum machine learning of graph-structured data
- arxiv url: http://arxiv.org/abs/2103.10837v1
- Date: Fri, 19 Mar 2021 14:39:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 10:53:47.419631
- Title: Quantum machine learning of graph-structured data
- Title(参考訳): グラフ構造データの量子機械学習
- Authors: Kerstin Beer, Megha Khosla, Julius K\"ohler, Tobias J. Osborne
- Abstract要約: グラフ構造化量子データについて検討し、量子ニューラルネットワークによる量子機械学習の実施方法について述べる。
我々は、この追加グラフ構造を体系的に利用して量子学習アルゴリズムを改善する方法について説明する。
- 参考スコア(独自算出の注目度): 0.38581147665516596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph structures are ubiquitous throughout the natural sciences. Here we
consider graph-structured quantum data and describe how to carry out its
quantum machine learning via quantum neural networks. In particular, we
consider training data in the form of pairs of input and output quantum states
associated with the vertices of a graph, together with edges encoding
correlations between the vertices. We explain how to systematically exploit
this additional graph structure to improve quantum learning algorithms. These
algorithms are numerically simulated and exhibit excellent learning behavior.
Scalable quantum implementations of the learning procedures are likely feasible
on the next generation of quantum computing devices.
- Abstract(参考訳): グラフ構造は自然科学の至る所に存在する。
ここでは、グラフ構造量子データを検討し、量子ニューラルネットワークによる量子機械学習の実行方法を説明する。
特に、グラフの頂点に関連する入力と出力の量子状態のペアと、頂点間の相関関係を符号化するエッジの形式でのトレーニングデータを検討する。
このグラフ構造を体系的に利用して量子学習アルゴリズムを改善する方法について説明する。
これらのアルゴリズムは数値シミュレーションされ、優れた学習挙動を示す。
学習手順のスケーラブルな量子実装は、次世代の量子コンピューティングデバイスで実現可能である可能性が高い。
関連論文リスト
- Learnability of a hybrid quantum-classical neural network for
graph-structured quantum data [0.0]
本稿では,グラフ構造化量子データを学習するために,深い残差学習(Res-HQCNN)を備えたハイブリッド量子古典ニューラルネットワークを用いる。
論文 参考訳(メタデータ) (2024-01-28T14:06:06Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Compilation of algorithm-specific graph states for quantum circuits [55.90903601048249]
本稿では,高レベル言語で記述された量子回路から,アルゴリズム固有のグラフ状態を作成する量子回路コンパイラを提案する。
この計算は、このグラフ状態に関する一連の非パウリ測度を用いて実装することができる。
論文 参考訳(メタデータ) (2022-09-15T14:52:31Z) - Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。
本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文 参考訳(メタデータ) (2022-05-17T07:47:00Z) - From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。
本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。
今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
論文 参考訳(メタデータ) (2022-02-19T02:56:47Z) - Benchmarking Small-Scale Quantum Devices on Computing Graph Edit
Distance [52.77024349608834]
グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。
本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
論文 参考訳(メタデータ) (2021-11-19T12:35:26Z) - Quantum Algorithms for Unsupervised Machine Learning and Neural Networks [2.28438857884398]
行列積や距離推定といったタスクを解くために量子アルゴリズムを導入する。
これらの結果は、教師なし機械学習のための新しい量子アルゴリズムの開発に使用される。
また、ニューラルネットワークやディープラーニングのための新しい量子アルゴリズムも提示します。
論文 参考訳(メタデータ) (2021-11-05T16:36:09Z) - Bosonic Random Walk Networks for Graph Learning [32.24009574184356]
グラフにまたがる拡散情報に対する多粒子量子ウォークの適用を検討する。
我々のモデルは、グラフ上の量子ランダムウォーカーのダイナミクスを制御する演算子の学習に基づいている。
分類および回帰作業における本手法の有効性を実証する。
論文 参考訳(メタデータ) (2020-12-31T21:40:40Z) - Quantum walk processes in quantum devices [55.41644538483948]
グラフ上の量子ウォークを量子回路として表現する方法を研究する。
提案手法は,量子ウォークアルゴリズムを量子コンピュータ上で効率的に実装する方法である。
論文 参考訳(メタデータ) (2020-12-28T18:04:16Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。