論文の概要: Quantum-enhanced bosonic learning machine
- arxiv url: http://arxiv.org/abs/2104.04168v1
- Date: Fri, 9 Apr 2021 02:44:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 08:01:14.330984
- Title: Quantum-enhanced bosonic learning machine
- Title（参考訳）: 量子強化ボソニック学習マシン
- Authors: Chi-Huan Nguyen, Ko-Wei Tseng, Gleb Maslennikov, H. C. J. Gan, Dzmitry
Matsukevich
- Abstract要約: 本稿では,量子データに閉じ込められたイオンのシステムで動作させる量子強化ボソニック学習マシンについて述べる。
我々は、高次元量子状態の集合におけるパターンを認識するために、教師なしK平均アルゴリズムを実装した。
得られた知識を用いて、未知の量子状態を教師付きk-NNアルゴリズムで分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum processors enable computational speedups for machine learning through
parallel manipulation of high-dimensional vectors. Early demonstrations of
quantum machine learning have focused on processing information with qubits. In
such systems, a larger computational space is provided by the collective space
of multiple physical qubits. Alternatively, we can encode and process
information in the infinite-dimensional Hilbert space of bosonic systems such
as quantum harmonic oscillators. This approach offers a hardware-efficient
solution with potential quantum speedups to practical machine learning
problems. Here we demonstrate a quantum-enhanced bosonic learning machine
operating on quantum data with a system of trapped ions. Core elements of the
learning processor are the universal feature-embedding circuit that encodes
data into the motional states of ions, and the constant-depth circuit that
estimates overlap between two quantum states. We implement the unsupervised
K-means algorithm to recognize a pattern in a set of high-dimensional quantum
states and use the discovered knowledge to classify unknown quantum states with
the supervised k-NN algorithm. These results provide building blocks for
exploring machine learning with bosonic processors.
- Abstract（参考訳）: 量子プロセッサは、高次元ベクトルの並列操作による機械学習の計算スピードアップを可能にする。
量子機械学習の初期の実証は、qubitsで情報を処理することに焦点を当てている。
このようなシステムでは、より大きい計算空間は複数の物理量子ビットの集合空間によって提供される。
あるいは、量子調和振動子のようなボゾン系の無限次元ヒルベルト空間で情報を符号化して処理することができる。
このアプローチは、実用的な機械学習問題に対する潜在的な量子スピードアップを備えた、ハードウェア効率の良いソリューションを提供する。
ここでは,捕捉イオンの系を用いて量子データ上で動作する量子エンハンスボソニック学習マシンを示す。
学習プロセッサのコア要素は、イオンの運動状態にデータをエンコードする普遍的な特徴埋め込み回路と、2つの量子状態間の重なりを推定する定数深さ回路である。
教師なしk-meansアルゴリズムを実装し,高次元量子状態のパターンを認識し,未知の量子状態を教師なしk-nnアルゴリズムで分類する。
これらの結果は、ボソニックプロセッサを用いて機械学習を探索するためのビルディングブロックを提供する。
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) - Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳（メタデータ） (2024-06-17T18:20:51Z) - 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) - Realization of quantum algorithms with qudits [0.7892577704654171]
我々は、量子アルゴリズムの効率的な実現に、マルチレベル量子システム(quditsとしても知られる)をどのように利用できるかを示すいくつかのアイデアをレビューする。
我々は,マルチキュービットゲートの分解を簡略化するためのキューディットの活用技術と,単一キューディットで複数のキュービットを符号化することで量子情報を圧縮する技術に焦点をあてる。
これらの理論スキームは、閉じ込められたイオン、中性原子、超伝導接合、量子光など、様々な性質の量子コンピューティングプラットフォームで実装することができる。
論文 参考訳（メタデータ） (2023-11-20T18:34:19Z) - Quantivine: A Visualization Approach for Large-scale Quantum Circuit
Representation and Analysis [31.203764035373677]
我々は量子回路の探索と理解のための対話型システムQuantivineを開発した。
一連の新しい回路視覚化は、キュービットの証明、並列性、絡み合いなどのコンテキストの詳細を明らかにするように設計されている。
Quantivineの有効性は、最大100キュービットの量子回路の2つの利用シナリオを通して示される。
論文 参考訳（メタデータ） (2023-07-18T04:51:28Z) - 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) - Data compression for quantum machine learning [2.119778346188635]
量子コンピュータで使用する古典的データを効率よく圧縮・ロードする問題に対処する。
提案手法により,必要量子ビット数と量子回路の深さを調整できる。
論文 参考訳（メタデータ） (2022-04-24T03:03:14Z) - 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) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - 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)
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。