論文の概要: Trainable Discrete Feature Embeddings for Variational Quantum Classifier

• arxiv url: http://arxiv.org/abs/2106.09415v1
• Date: Thu, 17 Jun 2021 12:02:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-19 00:57:13.706381
• Title: Trainable Discrete Feature Embeddings for Variational Quantum Classifier
• Title（参考訳）: 変分量子分類器のための学習可能な離散的特徴埋め込み
• Authors: Napat Thumwanit, Chayaphol Lortararprasert, Hiroshi Yano, Rudy Raymond
• Abstract要約: 我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。 QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 4.40450723619303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum classifiers provide sophisticated embeddings of input data in Hilbert space promising quantum advantage. The advantage stems from quantum feature maps encoding the inputs into quantum states with variational quantum circuits. A recent work shows how to map discrete features with fewer quantum bits using Quantum Random Access Coding (QRAC), an important primitive to encode binary strings into quantum states. We propose a new method to embed discrete features with trainable quantum circuits by combining QRAC and a recently proposed strategy for training quantum feature map called quantum metric learning. We show that the proposed trainable embedding requires not only as few qubits as QRAC but also overcomes the limitations of QRAC to classify inputs whose classes are based on hard Boolean functions. We numerically demonstrate its use in variational quantum classifiers to achieve better performances in classifying real-world datasets, and thus its possibility to leverage near-term quantum computers for quantum machine learning.
• Abstract（参考訳）: 量子分類器はヒルベルト空間の量子優位性を約束する入力データの洗練された埋め込みを提供する。 その利点は、入力を変分量子回路を持つ量子状態に変換する量子特徴マップにある。 最近の研究は、量子ランダムアクセス符号化(QRAC)を用いて、量子ビットが少なくて離散的な特徴をマッピングする方法を示している。 本稿では,qracと量子メトリック学習と呼ばれる量子特徴マップの学習戦略を組み合わせることで,学習可能な量子回路に離散的特徴を埋め込む新しい手法を提案する。 提案するトレーニング可能な埋め込みでは,QRACのような量子ビットが少ないだけでなく,クラスがハードブール関数に基づく入力を分類するQRACの制限を克服する必要がある。 本稿では,実世界のデータセットの分類において,より優れた性能を達成するために変分量子分類器での利用を数値的に示し,量子機械学習に短期量子コンピュータを活用する可能性を示す。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• 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)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• 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)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• Q-means using variational quantum feature embedding [0.9572675949441442]
  変分回路の目的は、量子的特徴を持つヒルベルト空間のクラスターを極大に分離することである。 量子回路の出力は、特定のクラスタに属する全ての量子状態の重ね合わせを表す特徴的なクラスター量子状態である。 期待値の勾配は、変動回路のパラメータを最適化し、より良い量子特徴写像を学習するために用いられる。
  論文  参考訳（メタデータ） (2021-12-11T13:00:51Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Continuous Variable Quantum Advantages and Applications in Quantum Optics [0.0]
  この論文は連続変数と光学的設定における3つの主要な問題に焦点を当てている。 量子マシンが古典的マシンを上回る能力はどこから来るのか? 量子情報の使用によって実際に得られる利点は何か?
  論文  参考訳（メタデータ） (2021-02-10T02:43:27Z)
• VSQL: Variational Shadow Quantum Learning for Classification [6.90132007891849]
  我々は,変分影量子学習と呼ぶ教師付き量子学習のための新しいハイブリッド量子古典フレームワークを提案する。 まず,変分影量子回路を用いて古典的特徴を畳み込みで抽出し,完全連結ニューラルネットワークを用いて分類タスクを完了させる。 本手法は,パラメータ数を著しく削減し,量子回路トレーニングをより容易に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-12-15T13:51:01Z)
• Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
  変分量子分類(VQC)は、量子的に有利な方法の一つである。 本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。 QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
  論文  参考訳（メタデータ） (2020-05-29T04:43:14Z)

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。