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
- 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) - Deterministic and random features for large-scale quantum kernel machine [0.9404723842159504]
提案した決定論的およびランダムな特徴を用いて量子カーネル法(QKM)をスケーラブルにすることができることを示す。
O(1,000) sim O(10,000)$トレーニングデータを含むデータセットを用いた数値実験は,本手法の有効性を裏付けるものである。
論文 参考訳(メタデータ) (2022-09-05T13:22:34Z) - Quantum Computing Quantum Monte Carlo [8.69884453265578]
量子コンピューティングと量子モンテカルロを統合したハイブリッド量子古典アルゴリズムを提案する。
我々の研究は、中間スケールおよび早期フォールト耐性量子コンピュータで現実的な問題を解決するための道を開いた。
論文 参考訳(メタデータ) (2022-06-21T14:26:24Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - 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) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - 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)
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。