論文の概要: Provable superior accuracy in machine learned quantum models

• arxiv url: http://arxiv.org/abs/2105.14434v2
• Date: Tue, 22 Jun 2021 07:28:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 08:03:15.970949
• Title: Provable superior accuracy in machine learned quantum models
• Title（参考訳）: 機械学習量子モデルにおける確率的優れた精度
• Authors: Chengran Yang, Andrew Garner, Feiyang Liu, Nora Tischler, Jayne Thompson, Man-Hong Yung, Mile Gu, Oscar Dahlsten
• Abstract要約: 我々は,古典的手法よりも高い精度を達成できる機械学習手法により,次元的に低減された量子モデルを構築した。 これらの技術は、時系列解析への量子技術の即時関係を示し、結果の量子優位性が証明可能な稀な事例を提供する。
• 参考スコア（独自算出の注目度）: 2.814412986458045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modelling complex processes, the potential past data that influence future expectations are immense. Models that track all this data are not only computationally wasteful but also shed little light on what past data most influence the future. There is thus enormous interest in dimensional reduction-finding automated means to reduce the memory dimension of our models while minimizing its impact on its predictive accuracy. Here we construct dimensionally reduced quantum models by machine learning methods that can achieve greater accuracy than provably optimal classical counterparts. We demonstrate this advantage on present-day quantum computing hardware. Our algorithm works directly off classical time-series data and can thus be deployed in real-world settings. These techniques illustrate the immediate relevance of quantum technologies to time-series analysis and offer a rare instance where the resulting quantum advantage can be provably established.
• Abstract（参考訳）: 複雑なプロセスのモデリングでは、将来の期待に影響を及ぼす潜在的な過去のデータは非常に大きい。 これらすべてのデータを追跡するモデルは、計算的に無駄なだけでなく、過去のデータが未来に最も与えた影響についてもほとんど光を当てていない。 したがって, 予測精度への影響を最小限に抑えつつ, モデルのメモリ次元を小さくする次元縮小有限要素自動手法には大きな関心がある。 ここでは, 最適な古典的モデルよりも高い精度を実現する機械学習手法により, 次元的に縮小した量子モデルを構築する。 この利点を今日の量子コンピューティングハードウェアで実証する。 我々のアルゴリズムは古典的な時系列データを直接処理し、現実世界の設定で展開することができる。 これらの技術は、時系列解析への量子技術の即時関係を示し、結果の量子優位性が証明可能な稀な事例を提供する。

関連論文リスト

• Entanglement-induced provable and robust quantum learning advantages [0.0]
  我々は、表現性、推論速度、トレーニング効率の観点から、ノイズロストで無条件の量子学習の利点を厳格に確立する。 我々の証明は情報理論であり、この優位性の起源を示唆している。
  論文  参考訳（メタデータ） (2024-10-04T02:39:07Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• 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)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• 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)
• Implementing quantum dimensionality reduction for non-Markovian stochastic simulation [0.5269923665485903]
  我々は、フォトニックセットアップを用いて、非マルコフ過程の族に対するメモリ効率の量子モデルを実装する。 1量子ビットのメモリで実装された量子モデルは、同じメモリ次元の任意の古典的モデルで可能以上の精度が得られることを示す。
  論文  参考訳（メタデータ） (2022-08-26T15:54:47Z)
• Quantifying Unknown Quantum Entanglement via a Hybrid Quantum-Classical Machine Learning Framework [1.8689488822130746]
  本稿では,未知の絡み合いを定量化する2つの機械学習手法の性能を比較する。 本稿では,この問題に対するハイブリッド量子古典機械学習フレームワークを提案する。そこでは,最適な局所測定を訓練して,より情報的な相関データを生成する。 シミュレーションにより,新しいフレームワークは未知の絡み合いを定量化するためのモーメントに基づく手法に匹敵する性能をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-04-25T08:29:24Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Quantum Machine Learning: Fad or Future? [0.0]
  私たちは、古典的なコンピューティングデバイスによって、利用可能な最大計算能力のしきい値に素早く近づきます。 これは、今や数十億と数兆のパラメータを持つモデルサイズが指数関数的に増加するためである。 本稿では、量子機械学習が古典的な機械学習アプローチよりも優れているという側面を検証し、検証する。
  論文  参考訳（メタデータ） (2021-06-20T15:39:36Z)
• Power of data in quantum machine learning [2.1012068875084964]
  データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。 本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:00:01Z)
• Statistical Limits of Supervised Quantum Learning [90.0289160657379]
  精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。 より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
  論文  参考訳（メタデータ） (2020-01-28T17:35:32Z)

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。