論文の概要: Quantum Machine Learning with SQUID

• arxiv url: http://arxiv.org/abs/2105.00098v3
• Date: Fri, 27 May 2022 11:39:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-01 23:35:14.208052
• Title: Quantum Machine Learning with SQUID
• Title（参考訳）: SQUIDによる量子機械学習
• Authors: Alessandro Roggero, Jakub Filipek, Shih-Chieh Hsu, Nathan Wiebe
• Abstract要約: 分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
• 参考スコア（独自算出の注目度）: 64.53556573827525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we present the Scaled QUantum IDentifier (SQUID), an open-source framework for exploring hybrid Quantum-Classical algorithms for classification problems. The classical infrastructure is based on PyTorch and we provide a standardized design to implement a variety of quantum models with the capability of back-propagation for efficient training. We present the structure of our framework and provide examples of using SQUID in a standard binary classification problem from the popular MNIST dataset. In particular, we highlight the implications for scalability for gradient-based optimization of quantum models on the choice of output for variational quantum models.
• Abstract（参考訳）: 本研究では,分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 古典的インフラストラクチャはpytorchをベースにしており、効率的なトレーニングのためにバックプロパゲーション機能を備えた様々な量子モデルを実装するための標準設計を提供する。 本稿では,フレームワークの構造について述べるとともに,一般的なMNISTデータセットからの標準バイナリ分類問題におけるSQUIDの使用例を示す。 特に、変動量子モデルに対する出力の選択における量子モデルの勾配に基づく最適化のスケーラビリティの意義を強調した。

関連論文リスト

• Variational Quantum Approximate Spectral Clustering for Binary Clustering Problems [0.7550566004119158]
  本稿では,変分量子近似スペクトルクラスタリング(VQASC)アルゴリズムを提案する。 VQASCは、伝統的に古典的な問題で必要とされるシステムサイズ、Nよりも少ないパラメータの最適化を必要とする。 合成と実世界の両方のデータセットから得られた数値結果について述べる。
  論文  参考訳（メタデータ） (2023-09-08T17:54:42Z)
• Application-Oriented Benchmarking of Quantum Generative Learning Using QUARK [0.0]
  QUantum Computing Application benchmaRK (QUARK) フレームワークは、量子コンピューティングアプリケーションのためのベンチマーク研究を単純化し、標準化する。 本稿では、量子生成モデルのトレーニングと展開を評価する機能を含む、quirrKのいくつかの拡張を提案する。
  論文  参考訳（メタデータ） (2023-08-08T06:41:10Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• A Quantum Kernel Learning Approach to Acoustic Modeling for Spoken Command Recognition [69.97260364850001]
  本稿では,量子カーネル学習(QKL)フレームワークを提案する。 古典的-量子的特徴符号化に基づく音響特性を計画する。
  論文  参考訳（メタデータ） (2022-11-02T16:46:23Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)
• Quantum Embedding Search for Quantum Machine Learning [2.7612093695074456]
  クエスト」と発音される新しい量子埋め込み探索アルゴリズム(QES)を導入する。 我々は、量子埋め込みの構造と有向多重グラフの表現との接続を確立し、明確に定義された探索空間を実現する。 本稿では,QESによる量子埋め込みアーキテクチャが手動設計より優れていることを実証的に示す,合成とアイリスデータセットに対する提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-05-25T11:50:57Z)

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。