論文の概要: Robust quantum classifier with minimal overhead

• arxiv url: http://arxiv.org/abs/2104.08148v1
• Date: Fri, 16 Apr 2021 14:51:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 10:55:59.702681
• Title: Robust quantum classifier with minimal overhead
• Title（参考訳）: 最小オーバーヘッドをもつロバスト量子分類器
• Authors: Daniel K. Park, Carsten Blank, Francesco Petruccione
• Abstract要約: カーネル法に基づくバイナリ分類のためのいくつかの量子アルゴリズムが提案されている。 これらのアルゴリズムは期待値を推定することに依存しており、高額な量子データ符号化手順を何度も繰り返す必要がある。 カーネルベースのバイナリ分類は,データの数や寸法に関わらず,単一キュービットで行うことができることを示す。
• 参考スコア（独自算出の注目度）: 0.8057006406834467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To witness quantum advantages in practical settings, substantial efforts are required not only at the hardware level but also on theoretical research to reduce the computational cost of a given protocol. Quantum computation has the potential to significantly enhance existing classical machine learning methods, and several quantum algorithms for binary classification based on the kernel method have been proposed. These algorithms rely on estimating an expectation value, which in turn requires an expensive quantum data encoding procedure to be repeated many times. In this work, we calculate explicitly the number of repetition necessary for acquiring a fixed success probability and show that the Hadamard-test and the swap-test circuits achieve the optimal variance in terms of the quantum circuit parameters. The variance, and hence the number of repetition, can be further reduced only via optimization over data-related parameters. We also show that the kernel-based binary classification can be performed with a single-qubit measurement regardless of the number and the dimension of the data. Finally, we show that for a number of relevant noise models the classification can be performed reliably without quantum error correction. Our findings are useful for designing quantum classification experiments under limited resources, which is the common challenge in the noisy intermediate-scale quantum era.
• Abstract（参考訳）: 実用的な設定で量子的優位性を見極めるためには、ハードウェアレベルだけでなく、与えられたプロトコルの計算コストを削減するための理論的研究にもかなりの努力が必要である。 量子計算は従来の機械学習手法を大幅に強化する可能性があり、カーネル法に基づくバイナリ分類のための数種類の量子アルゴリズムが提案されている。 これらのアルゴリズムは期待値の推定に依存しているため、高価な量子データ符号化手順を何度も繰り返す必要がある。 本研究では,一定の成功確率を得るために必要な反復数を明示的に算出し,ハダマールテスト回路とスワップテスト回路が量子回路パラメータの観点から最適分散を達成することを示す。 分散、それゆえ反復数は、データ関連パラメータの最適化によってのみさらに減少することができる。 また,カーネルベースのバイナリ分類は,データの数や寸法に関わらず,単一の量子ビットで行うことができることを示した。 最後に,多くの関連する雑音モデルに対して,量子誤差補正なしに分類を確実に行うことができることを示す。 本研究は, 限られた資源下での量子分類実験の設計に有用であり, うるさい中間スケール量子時代の一般的な課題である。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quadratic speed-ups in quantum kernelized binary classification [1.3812010983144802]
  量子カーネルをデータ間の類似性の尺度として使用するいくつかの量子機械学習アルゴリズムが登場し、量子状態として符号化されたデータセットのバイナリ分類を実行するようになった。 本稿では,QKCに対する新しい量子回路を提案し,量子ビットの数を1つ減らし,サンプルデータに対して回路深さを線形に減らした。 Irisデータセットの数値シミュレーションにより,従来の手法よりも2次的な高速化を検証した。
  論文  参考訳（メタデータ） (2024-03-26T07:39:48Z)
• Maximum Likelihood Quantum Error Mitigation for Algorithms with a Single Correct Output [5.601537787608725]
  量子誤差軽減は、量子コンピュータにおけるノイズの影響を低減する重要な手法である。 本稿では,1つの正しい出力を持つ量子アルゴリズムに対して,単純かつ効果的な緩和手法である量子ビット的多数決法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T04:44:33Z)
• 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)
• 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)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• Shot-frugal and Robust quantum kernel classifiers [12.146571029233435]
  量子カーネル法は、機械学習における量子スピードアップの候補である。 分類タスクにおいて,その目的は信頼性の高い分類であり,正確なカーネル評価ではないことを示す。 我々は分類の信頼性を特徴付ける新しい指標を動機付けている。
  論文  参考訳（メタデータ） (2022-10-13T12:48:23Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
  証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。 我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。 任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
  論文  参考訳（メタデータ） (2022-03-30T02:02:16Z)
• Compact quantum kernel-based binary classifier [2.0684234025249717]
  本稿では、カーネルベースのバイナリ分類器を構築するための最も単純な量子回路を提案する。 量子ビットの数は2つに減らされ、ステップの数は線形に減らされる。 私たちの設計は、不均衡なデータセットを扱うための簡単な方法も提供します。
  論文  参考訳（メタデータ） (2022-02-04T14:30:53Z)
• Estimating gate-set properties from random sequences [0.0]
  現在の量子デバイスは、非構造ゲート列の短い後、ネイティブな測定しかできない。 ランダムシーケンス推定という単一の実験は、多くの推定問題を解く。 我々は、最適性能保証付きシャドウ推定の頑健なチャネル変種を導出する。
  論文  参考訳（メタデータ） (2021-10-25T18:01:25Z)

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。