論文の概要: Higgs analysis with quantum classifiers
- arxiv url: http://arxiv.org/abs/2104.07692v1
- Date: Thu, 15 Apr 2021 18:01:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 10:10:44.699389
- Title: Higgs analysis with quantum classifiers
- Title（参考訳）: 量子分類器を用いたヒッグス解析
- Authors: Vasileios Belis, Samuel Gonz\'alez-Castillo, Christina Reissel, Sofia
Vallecorsa, El\'ias F. Combarro, G\"unther Dissertori, Florentin Reiter
- Abstract要約: 我々は、$tbartH(bbarb)$分類問題に対する2つの量子分類器モデルを開発した。
この結果は、量子機械学習(QML)メソッドが類似あるいはより良い性能を持つことができるという概念の証明として役立ちます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We have developed two quantum classifier models for the $t\bar{t}H(b\bar{b})$
classification problem, both of which fall into the category of hybrid
quantum-classical algorithms for Noisy Intermediate Scale Quantum devices
(NISQ). Our results, along with other studies, serve as a proof of concept that
Quantum Machine Learning (QML) methods can have similar or better performance,
in specific cases of low number of training samples, with respect to
conventional ML methods even with a limited number of qubits available in
current hardware. To utilise algorithms with a low number of qubits -- to
accommodate for limitations in both simulation hardware and real quantum
hardware -- we investigated different feature reduction methods. Their impact
on the performance of both the classical and quantum models was assessed. We
addressed different implementations of two QML models, representative of the
two main approaches to supervised quantum machine learning today: a Quantum
Support Vector Machine (QSVM), a kernel-based method, and a Variational Quantum
Circuit (VQC), a variational approach.
- Abstract（参考訳）: 我々は、$t\bar{t}H(b\bar{b})$分類問題に対して、2つの量子分類器モデルを開発した。
量子機械学習 (qml) の手法は, 従来の ml 手法に比べて, 限られた数の qubit が現在のハードウェアで利用可能である場合においても, 低いトレーニングサンプルの場合において, 同様の,あるいはより優れた性能が得られるという概念の証明となる。
量子ビット数の少ないアルゴリズムを利用するため、シミュレーションハードウェアと実際の量子ハードウェアの両方に制限を課すため、異なる特徴削減法を調査した。
古典モデルと量子モデルの両方の性能への影響を評価した。
量子サポートベクトルマシン (qsvm) とカーネルベース手法, 変分量子回路 (vqc) という, 量子機械学習を指導する2つの主要なアプローチの1つである。
関連論文リスト
- Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳（メタデータ） (2023-01-13T09:35:05Z) - A preprocessing perspective for quantum machine learning classification
advantage using NISQ algorithms [0.0]
変分量子アルゴリズム(VQA)は,LDA法とバランスの取れた精度で性能が向上したことを示す。
現在の量子コンピュータはノイズが多く、テストする量子ビットは少ないため、QML法の現在の量子的利点と潜在的な量子的優位性を実証することは困難である。
論文 参考訳（メタデータ） (2022-08-28T16:58:37Z) - Quantum variational learning for entanglement witnessing [0.0]
この研究は量子アルゴリズムの潜在的な実装に焦点を当て、$n$ qubitsの単一レジスタ上で定義された量子状態を適切に分類することができる。
我々は「絡み合いの証人」という概念、すなわち、特定の特定の状態が絡み合うものとして識別できる期待値を持つ演算子を利用する。
我々は,量子ニューラルネットワーク(QNN)を用いて,絡み合いの目撃者の行動を再現する方法をうまく学習した。
論文 参考訳（メタデータ） (2022-05-20T20:14:28Z) - Quantum Neuron with Separable-State Encoding [0.0]
現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。
マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。
シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
論文 参考訳（メタデータ） (2022-02-16T19:26:23Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - VQE Method: A Short Survey and Recent Developments [5.9640499950316945]
変分量子固有解法(VQE)は、ハミルトニアンの固有値と固有値を見つけるためにハイブリッド量子古典計算法を用いる方法である。
VQEは、様々な小さな分子に対する電子的シュリンガー方程式の解法に成功している。
現代の量子コンピュータは、現在利用可能なアンサツェを用いて生成されたディープ量子回路を実行することができない。
論文 参考訳（メタデータ） (2021-03-15T16:25:36Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - Quantum One-class Classification With a Distance-based Classifier [1.316309856358873]
現在の量子ハードウェアの既存のエラーと利用可能な量子ビットの数が少ないため、より少ない量子ビットと少ない演算を使用するソリューションを使う必要がある。
我々は、最小限の量子機械学習モデルと少ない演算と量子ビットからなる量子一級量子コンピュータ(QOCC)に基づく新しい分類器を提案する。
論文 参考訳（メタデータ） (2020-07-31T17:53:00Z)
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。