論文の概要: Quantum Embedding Search for Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2105.11853v1
- Date: Tue, 25 May 2021 11:50:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 19:37:48.893120
- Title: Quantum Embedding Search for Quantum Machine Learning
- Title(参考訳): 量子機械学習のための量子埋め込み探索
- Authors: Nam Nguyen and Kwang-Chen Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.7612093695074456
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a novel quantum embedding search algorithm (QES,
pronounced as "quest"), enabling search for optimal quantum embedding design
for a specific dataset of interest. First, we establish the connection between
the structures of quantum embedding and the representations of directed
multi-graphs, enabling a well-defined search space. Second, we instigate the
entanglement level to reduce the cardinality of the search space to a feasible
size for practical implementations. Finally, we mitigate the cost of evaluating
the true loss function by using surrogate models via sequential model-based
optimization. We demonstrate the feasibility of our proposed approach on
synthesis and Iris datasets, which empirically shows that found quantum
embedding architecture by QES outperforms manual designs whereas achieving
comparable performance to classical machine learning models.
- Abstract(参考訳): 本稿では,量子埋め込み探索アルゴリズム(qes,quantum embedded search algorithm)を提案する。
まず、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、よく定義された探索空間を実現する。
第2に,実際の実装において,探索空間の濃度を可能なサイズに抑えるために,絡み合いレベルを推し進める。
最後に、逐次モデルに基づく最適化により、サロゲートモデルを用いて真の損失関数を評価するコストを軽減する。
これは、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のに対して、古典的な機械学習モデルに匹敵する性能を実現することを実証的に示すものである。
関連論文リスト
- Qubit-Wise Architecture Search Method for Variational Quantum Circuits [11.790545710021593]
そこで本研究では,QWAS(qubit-wise architec-ture search)法を提案する。
提案手法は,MNIST,Fashion,MOSIなどの実世界のタスクにおいて,サーキットの性能とサイズを探索し,活用する。
論文 参考訳(メタデータ) (2024-03-07T07:08:57Z) - 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 Encoding: A Comparative Analysis of Classical-to-Quantum
Mapping Techniques and Their Impact on Machine Learning Accuracy [0.0]
本研究では,古典的機械学習(ML)アルゴリズムへの量子データ埋め込み技術の統合について検討する。
その結果,量子データの埋め込みは,分類精度とF1スコアの向上に寄与することが判明した。
論文 参考訳(メタデータ) (2023-11-17T08:00:08Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳(メタデータ) (2023-11-07T04:35:03Z) - 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) - 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) - Automatic and effective discovery of quantum kernels [43.702574335089736]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,異なるアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳(メタデータ) (2022-09-22T16:42:14Z) - 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) - Quantum Machine Learning with SQUID [64.53556573827525]
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。
論文 参考訳(メタデータ) (2021-04-30T21:34:11Z)
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。