論文の概要: Towards understanding the power of quantum kernels in the NISQ era

• arxiv url: http://arxiv.org/abs/2103.16774v1
• Date: Wed, 31 Mar 2021 02:41:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 05:18:32.064396
• Title: Towards understanding the power of quantum kernels in the NISQ era
• Title（参考訳）: NISQ時代の量子核のパワーの理解に向けて
• Authors: Xinbiao Wang, Yuxuan Du, Yong Luo, Dacheng Tao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.8341515283403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key problem in the field of quantum computing is understanding whether quantum machine learning (QML) models implemented on noisy intermediate-scale quantum (NISQ) machines can achieve quantum advantages. Recently, Huang et al. [arXiv:2011.01938] partially answered this question by the lens of quantum kernel learning. Namely, they exhibited that quantum kernels can learn specific datasets with lower generalization error over the optimal classical kernel methods. However, most of their results are established on the ideal setting and ignore the caveats of near-term quantum machines. To this end, a crucial open question is: does the power of quantum kernels still hold under the NISQ setting? In this study, we fill this knowledge gap by exploiting the power of quantum kernels when the quantum system noise and sample error are considered. Concretely, we first prove that the advantage of quantum kernels is vanished for large size of datasets, few number of measurements, and large system noise. With the aim of preserving the superiority of quantum kernels in the NISQ era, we further devise an effective method via indefinite kernel learning. Numerical simulations accord with our theoretical results. Our work provides theoretical guidance of exploring advanced quantum kernels to attain quantum advantages on NISQ devices.
• Abstract（参考訳）: 量子コンピューティングの分野における重要な問題は、ノイズの多い中間スケール量子(NISQ)マシンに実装された量子機械学習(QML)モデルが量子優位性を達成することができるかどうかを理解することである。 最近、huangら。 [arxiv:2011.0 1938] 量子カーネル学習のレンズで部分的にこの質問に答えた。 すなわち、量子カーネルは最適な古典的カーネル法よりも低い一般化誤差で特定のデータセットを学習できることを示した。 しかしながら、これらの結果は理想の設定に基づいて確立され、短期量子マシンの注意点を無視する。 量子カーネルのパワーは、まだnisq設定下で保持されているのか? 本研究では,量子システムノイズとサンプル誤差を考慮した場合の量子カーネルのパワーを利用して,この知識ギャップを埋める。 具体的には, 量子カーネルの利点は, データセットの大規模化, 測定回数の少なさ, システムノイズが大きいため, 消滅することが最初に証明された。 NISQ時代の量子カーネルの優位性を維持することを目的として、不確定なカーネル学習による効果的な手法をさらに考案する。 数値シミュレーションは我々の理論結果と一致する。 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。

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)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• 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)
• Variational Quantum Kernels with Task-Specific Quantum Metric Learning [0.8722210937404288]
  カーネル法は、より高次元(おそらく無限)な特徴空間における点間の類似性の概念に依存している。 最適な量子埋め込みを生成するために,変分量子カーネルとタスク固有量子量子学習について論じる。
  論文  参考訳（メタデータ） (2022-11-08T18:36:25Z)
• Parameterized Quantum Circuits with Quantum Kernels for Machine Learning: A Hybrid Quantum-Classical Approach [0.8722210937404288]
  Kernel ized Quantum Circuits (PQCs) は一般に量子機械学習(QML)へのハイブリッドアプローチで使用される。 我々は、PQCと量子カーネルの重要な側面として、PQC、量子カーネル、量子アドバンテージを持つ量子カーネル、量子カーネルのトレーニング可能性について論じる。
  論文  参考訳（メタデータ） (2022-09-28T22:14:41Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• 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)
• Test of Quantumness with Small-Depth Quantum Circuits [1.90365714903665]
  近年,LWE(Learning with error)の仮定に基づいて量子性テストを構築する方法が示されている。 このテストはいくつかの暗号アプリケーションにつながった。 本稿では,この量子性試験,および上述のすべての応用が,量子回路の非常に弱いクラスによって実際に実装可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-12T08:16:20Z)
• Hybrid quantum-classical algorithms and quantum error mitigation [0.688204255655161]
  Googleは先頃、50量子ビットを超えるノイズの多い中間スケール量子デバイスを使用することで、量子超越性を達成した。 本稿では,ハイブリッド量子古典アルゴリズムと量子誤り軽減技術の基礎的結果について概説する。
  論文  参考訳（メタデータ） (2020-11-02T23:34:22Z)
• Quantum supremacy in driven quantum many-body systems [0.0]
  一般周期駆動型量子多体系において量子超越性が得られることを示す。 我々の提案は、大規模な量子プラットフォームが量子超越性を実証し、ベンチマークする方法を開く。
  論文  参考訳（メタデータ） (2020-02-27T07:20:15Z)

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。