論文の概要: A Review of Machine Learning Classification Using Quantum Annealing for
Real-world Applications
- arxiv url: http://arxiv.org/abs/2106.02964v1
- Date: Sat, 5 Jun 2021 21:15:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 23:46:59.848500
- Title: A Review of Machine Learning Classification Using Quantum Annealing for
Real-world Applications
- Title(参考訳): 量子アニーリングを用いた実世界応用のための機械学習分類の検討
- Authors: Rajdeep Kumar Nath, Himanshu Thapliyal, Travis S. Humble
- Abstract要約: 物理量子アニールの実装は、D-Waveシステムによって実現されている。
量子アニールを用いた各種機械学習アプリケーションに関する最近の実験結果から興味深い結果が得られた。
我々は、画像認識、リモートセンシング画像、計算生物学、粒子物理学などの応用のために、D-Wave量子アニールを用いた実験を議論し、分析する。
- 参考スコア(独自算出の注目度): 1.8047694351309205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimizing the training of a machine learning pipeline helps in reducing
training costs and improving model performance. One such optimizing strategy is
quantum annealing, which is an emerging computing paradigm that has shown
potential in optimizing the training of a machine learning model. The
implementation of a physical quantum annealer has been realized by D-Wave
systems and is available to the research community for experiments. Recent
experimental results on a variety of machine learning applications using
quantum annealing have shown interesting results where the performance of
classical machine learning techniques is limited by limited training data and
high dimensional features. This article explores the application of D-Wave's
quantum annealer for optimizing machine learning pipelines for real-world
classification problems. We review the application domains on which a physical
quantum annealer has been used to train machine learning classifiers. We
discuss and analyze the experiments performed on the D-Wave quantum annealer
for applications such as image recognition, remote sensing imagery,
computational biology, and particle physics. We discuss the possible advantages
and the problems for which quantum annealing is likely to be advantageous over
classical computation.
- Abstract(参考訳): 機械学習パイプラインのトレーニングを最適化することは、トレーニングコストの削減とモデルパフォーマンスの向上に役立つ。
このような最適化戦略のひとつに量子アニール(quantum annealing)があり、機械学習モデルのトレーニングを最適化する可能性を示している。
物理量子アニールの実装はD-Waveシステムによって実現され、実験のために研究コミュニティで利用可能である。
量子アニールを用いた各種機械学習アプリケーションの最近の実験結果は、古典的機械学習技術の性能が限られた訓練データと高次元特徴によって制限されている興味深い結果を示している。
本稿では、実世界の分類問題に対する機械学習パイプラインの最適化におけるD-Waveの量子アニールの適用について検討する。
我々は、物理量子アニールを用いて機械学習分類器を訓練するアプリケーション領域についてレビューする。
本研究では,d波量子アニーラを用いた画像認識,リモートセンシング画像,計算生物学,素粒子物理学などの応用実験について考察し,解析する。
本稿では,量子アニーリングが古典計算よりも有利である可能性と問題点について考察する。
関連論文リスト
- 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) - Nonnegative/Binary Matrix Factorization for Image Classification using
Quantum Annealing [0.0]
画像分類のための量子アニールを用いた行列分解法を実装した。
以上の結果から,NAMFで訓練したモデルの精度は,データ量,特徴量,エポックスが小さい場合,従来の機械学習手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-02T06:41:27Z) - A general learning scheme for classical and quantum Ising machines [0.0]
本稿では,Ising構造に基づく機械学習モデルを提案する。
提案した学習モデルのトレーニングと実行に関する実験結果を示す。
特に量子領域では、量子リソースはモデルの実行とトレーニングの両方に使用され、量子機械学習において有望な視点を提供する。
論文 参考訳(メタデータ) (2023-10-27T18:07:02Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - 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) - Active Learning on a Programmable Photonic Quantum Processor [6.762439942352232]
量子機械学習モデルのトレーニングには大きなラベル付きデータセットが必要で、高いラベル付けと計算コストが発生する。
このようなコストを削減するため、アクティブラーニング(AL)と呼ばれる選択的なトレーニング戦略では、学習対象とする元のデータセットのサブセットのみを選択する。
本稿では、量子機械学習におけるALの潜在的な応用と有効性を検討するために、2つのALを用いた変分量子分類器を設計、実装する。
論文 参考訳(メタデータ) (2022-08-03T14:34:12Z) - Modern applications of machine learning in quantum sciences [51.09906911582811]
本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。
我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
論文 参考訳(メタデータ) (2022-04-08T17:48:59Z) - 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) - Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。
MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文 参考訳(メタデータ) (2020-12-08T01:10:30Z) - Event Classification with Quantum Machine Learning in High-Energy
Physics [0.6291443816903801]
本稿では、機械学習を利用した量子アルゴリズムの研究を行い、背景イベントから興味のある事象を分類する。
入力データの性質を学習するための変分量子アプローチに着目する。
我々は,シミュレータと量子コンピューティングデバイスの両方を用いて,事象分類の性能を評価する。
論文 参考訳(メタデータ) (2020-02-23T16:30:33Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。