論文の概要: The Inductive Bias of Quantum Kernels
- arxiv url: http://arxiv.org/abs/2106.03747v1
- Date: Mon, 7 Jun 2021 16:14:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 23:51:22.750017
- Title: The Inductive Bias of Quantum Kernels
- Title(参考訳): 量子カーネルの誘導バイアス
- Authors: Jonas M. K\"ubler, Simon Buchholz, Bernhard Sch\"olkopf
- Abstract要約: 量子カーネルで定義された関数クラスを解析する。
カーネル評価は指数関数的に多くの測定を必要とする可能性があるため,適切な量子カーネルの発見は容易ではない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It has been hypothesized that quantum computers may lend themselves well to
applications in machine learning. In the present work, we analyze function
classes defined via quantum kernels. Quantum computers offer the possibility to
efficiently compute inner products of exponentially large density operators
that are classically hard to compute. However, having an exponentially large
feature space renders the problem of generalization hard. Furthermore, being
able to evaluate inner products in high dimensional spaces efficiently by
itself does not guarantee a quantum advantage, as already classically tractable
kernels can correspond to high- or infinite-dimensional reproducing kernel
Hilbert spaces (RKHS).
We analyze the spectral properties of quantum kernels and find that we can
expect an advantage if their RKHS is low dimensional and contains functions
that are hard to compute classically. If the target function is known to lie in
this class, this implies a quantum advantage, as the quantum computer can
encode this inductive bias, whereas there is no classically efficient way to
constrain the function class in the same way. However, we show that finding
suitable quantum kernels is not easy because the kernel evaluation might
require exponentially many measurements.
In conclusion, our message is a somewhat sobering one: we conjecture that
quantum machine learning models can offer speed-ups only if we manage to encode
knowledge about the problem at hand into quantum circuits, while encoding the
same bias into a classical model would be hard. These situations may plausibly
occur when learning on data generated by a quantum process, however, they
appear to be harder to come by for classical datasets.
- Abstract(参考訳): 量子コンピュータは機械学習の応用に適していると仮定されている。
本研究では,量子カーネルを介して定義される関数クラスを解析する。
量子コンピュータは、古典的に計算が難しい指数関数的に大きな密度演算子の内積を効率的に計算することができる。
しかし、指数的に大きな特徴空間を持つことは、一般化の問題を引き起こす。
さらに、高次元空間の内部積をそれ自体で効率的に評価できることは量子的な利点を保証しない、なぜなら古典的に扱いやすい核は高次元あるいは無限次元再現核ヒルベルト空間(英語版)(rkhs)に対応できるからである。
量子核のスペクトル特性を解析し、RKHSが低次元で古典的に計算が難しい関数を含む場合、利点を期待できることを見出した。
対象関数がこのクラスに存在することが知られているならば、量子コンピュータはこの帰納的バイアスを符号化できるが、同じ方法で関数クラスを制約する古典的効率のよい方法は存在しないため、量子的な利点を意味する。
しかし,核評価では指数関数的に多くの測定が必要となるため,適切な量子カーネルの発見は容易ではないことを示す。
量子機械学習モデルは、問題の知識を量子回路にエンコードし、同じバイアスを古典的なモデルにエンコードすることは困難である。
これらの状況は、量子プロセスによって生成されたデータで学習する場合に起こりうるが、古典的なデータセットでは困難に思われる。
関連論文リスト
- 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) - Phase-space negativity as a computational resource for quantum kernel methods [2.5499055723658097]
量子カーネル法は、機械学習において量子計算の優位性を達成するための提案である。
ボゾン系に対する量子核関数の最適古典的推定に十分な条件を提供する。
本研究は, 量子機械学習において, 位相空間準確率分布における負性の役割を担っている。
論文 参考訳(メタデータ) (2024-05-20T21:18:53Z) - Quantum Machine Learning: Quantum Kernel Methods [0.0]
カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。
量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。
データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
論文 参考訳(メタデータ) (2024-05-02T23:45:29Z) - A Kerr kernel quantum learning machine [0.0]
超伝導量子回路に基づく量子ハードウェアカーネルの実装手法を提案する。
このスキームは量子ビットや量子回路を使用せず、カーモードのアナログ特性を利用する。
論文 参考訳(メタデータ) (2024-04-02T09:50:33Z) - 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 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) - 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) - Quantum kernels with squeezed-state encoding for machine learning [0.0]
連続可変量子状態にデータを符号化することで量子カーネル法を一般化する。
カーネルは量子コンピュータ上で計算され、古典的な機械学習と組み合わせられる。
論文 参考訳(メタデータ) (2021-08-25T08:24:54Z) - 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) - A rigorous and robust quantum speed-up in supervised machine learning [6.402634424631123]
本稿では,汎用量子学習アルゴリズムを用いて,教師付き分類のための厳密な量子スピードアップを確立する。
我々の量子分類器は、フォールトトレラント量子コンピュータを用いてカーネル関数を推定する従来のサポートベクトルマシンである。
論文 参考訳(メタデータ) (2020-10-05T17:22:22Z) - Efficient simulatability of continuous-variable circuits with large
Wigner negativity [62.997667081978825]
ウィグナー負性性は、いくつかの量子計算アーキテクチャにおいて計算上の優位性に必要な資源であることが知られている。
我々は、大きく、おそらくは有界で、ウィグナー負性を示し、しかし古典的に効率的にシミュレートできる回路の広大な族を同定する。
我々は,高次元離散可変量子回路のシミュラビリティとボソニック符号とのリンクを確立することにより,本結果の導出を行う。
論文 参考訳(メタデータ) (2020-05-25T11:03:42Z)
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。