論文の概要: Training Quantum Embedding Kernels on Near-Term Quantum Computers

• arxiv url: http://arxiv.org/abs/2105.02276v1
• Date: Wed, 5 May 2021 18:41:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 02:30:33.432709
• Title: Training Quantum Embedding Kernels on Near-Term Quantum Computers
• Title（参考訳）: 量子コンピュータを用いた量子埋め込みカーネルの訓練
• Authors: Thomas Hubregtsen, David Wierichs, Elies Gil-Fuster, Peter-Jan H. S. Derks, Paul K. Faehrmann, Johannes Jakob Meyer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.08563354084119063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kernel methods are a cornerstone of classical machine learning. The idea of using quantum computers to compute kernels has recently attracted attention. Quantum embedding kernels (QEKs) constructed by embedding data into the Hilbert space of a quantum computer are a particular quantum kernel technique that allows to gather insights into learning problems and that are particularly suitable for noisy intermediate-scale quantum devices. In this work, we first provide an accessible introduction to quantum embedding kernels and then analyze the practical issues arising when realizing them on a noisy near-term quantum computer. We focus on quantum embedding kernels with variational parameters. These variational parameters are optimized for a given dataset by increasing the kernel-target alignment, a heuristic connected to the achievable classification accuracy. We further show under which conditions noise from device imperfections influences the predicted kernel and provide a strategy to mitigate these detrimental effects which is tailored to quantum embedding kernels. We also address the influence of finite sampling and derive bounds that put guarantees on the quality of the kernel matrix. We illustrate our findings by numerical experiments and tests on actual hardware.
• Abstract（参考訳）: カーネルメソッドは、古典的な機械学習の基盤である。 量子コンピュータを使ってカーネルを計算するというアイデアが最近注目を集めている。 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、学習問題に対する洞察を収集できる特別な量子カーネル技術であり、特にノイズの多い中間スケール量子デバイスに適している。 そこで本研究では,まず量子埋め込みカーネルの紹介を行い,ノイズの多い短期量子コンピュータ上で実現した場合に生じる現実的な問題を解析する。 変動パラメータを持つ量子埋め込みカーネルに焦点を当てる。 これらの変動パラメータは、カーネルターゲットアライメント(達成可能な分類精度と結びついたヒューリスティック)を増加させることで、所定のデータセットに最適化される。 さらに、デバイス欠陥からのノイズが予測されたカーネルに影響を与える条件を示し、量子埋め込みカーネルに合わせたこれらの有害な効果を緩和する戦略を提供する。 また、有限サンプリングの影響と、カーネルマトリックスの品質に保証を与える境界の導出についても論じる。 本研究は,実ハードウェア上での数値実験と実験によって得られた知見を示す。

関連論文リスト

• In Search of Quantum Advantage: Estimating the Number of Shots in Quantum Kernel Methods [30.565491081930997]
  本稿では,カーネル値の所望の精度を推定する手法を開発し,回路実行回数に変換する。 我々は、量子カーネル法は、機械学習のパフォーマンスの観点からだけでなく、リソース消費の文脈からも考慮すべきである、と強調する。
  論文  参考訳（メタデータ） (2024-07-22T16:29:35Z)
• 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)
• 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)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum-Classical Multiple Kernel Learning [0.0]
  機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。 小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。 我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。 本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-28T12:29:04Z)
• 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)
• 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)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  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。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)
• Quantum machine learning models are kernel methods [0.0]
  この技術写本は、量子モデルをカーネルメソッドとして体系的に言い換えることでリンクを要約し、形式化し、拡張する。 これは、ほとんどの短期およびフォールトトレラント量子モデルは、一般的な支持ベクトルマシンに置き換えることができることを示している。 特にカーネルベースのトレーニングは、変分回路のトレーニングよりも優れた、あるいは同等に優れた量子モデルを見つけることが保証されている。
  論文  参考訳（メタデータ） (2021-01-26T19:00:04Z)

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。