論文の概要: Clustering and enhanced classification using a hybrid quantum autoencoder

• arxiv url: http://arxiv.org/abs/2107.11988v1
• Date: Mon, 26 Jul 2021 06:50:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 21:38:09.680423
• Title: Clustering and enhanced classification using a hybrid quantum autoencoder
• Title（参考訳）: ハイブリッド量子オートエンコーダを用いたクラスタリングと拡張分類
• Authors: Maiyuren Srikumar, Charles D. Hill, Lloyd C.L. Hollenberg
• Abstract要約: 本稿では,量子状態から情報を抽出する手法を提案する。 この変分QMLアルゴリズムは、それらの重要な識別特性を識別し、古典的に表現することを学ぶ。 HQAモデルの解析と利用は振幅符号化状態の文脈で述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning (QML) is a rapidly growing area of research at the intersection of classical machine learning and quantum information theory. One area of considerable interest is the use of QML to learn information contained within quantum states themselves. In this work, we propose a novel approach in which the extraction of information from quantum states is undertaken in a classical representational-space, obtained through the training of a hybrid quantum autoencoder (HQA). Hence, given a set of pure states, this variational QML algorithm learns to identify, and classically represent, their essential distinguishing characteristics, subsequently giving rise to a new paradigm for clustering and semi-supervised classification. The analysis and employment of the HQA model are presented in the context of amplitude encoded states - which in principle can be extended to arbitrary states for the analysis of structure in non-trivial quantum data sets.
• Abstract（参考訳）: 量子機械学習(quantum machine learning, qml)は、古典的機械学習と量子情報理論の交点において急速に成長している研究分野である。 重要な分野の1つは、量子状態自身に含まれる情報を学ぶためにQMLを使うことである。 本研究では,ハイブリッド量子オートエンコーダ(hqa)の訓練により得られた古典表現空間において,量子状態から情報を抽出する新しい手法を提案する。 したがって、純粋な状態のセットが与えられたとき、この変分qmlアルゴリズムは、それらの本質的な識別特性を識別し、古典的に表現し、クラスタリングと半教師付き分類の新しいパラダイムを生み出した。 HQAモデルの解析と利用は振幅符号化状態の文脈で示され、原理的には非自明な量子データセットの構造解析のために任意の状態に拡張することができる。

関連論文リスト

• Tensor-Based Binary Graph Encoding for Variational Quantum Classifiers [3.5051814539447474]
  変分量子(VQC)を用いたグラフ分類のための新しい量子符号化フレームワークを提案する。 グラフ符号化に適したより複雑な回路を構築することにより、VQCが現在の量子ハードウェアの制約内でグラフを効果的に分類できることを実証する。
  論文  参考訳（メタデータ） (2025-01-24T02:26:21Z)
• Robust Quantum Reservoir Computing for Molecular Property Prediction [0.5399129278613575]
  本稿では,潜在的な薬物分子の生物活性を予測するために,量子貯水池計算(QRC)手法を提案する。 データセットのサイズが小さくなるにつれて、より堅牢なQRC性能が観察される。 さらに、一様多様体近似と射影法を利用して、古典的特徴が量子力学によって変換されるときの構造変化を分析する。
  論文  参考訳（メタデータ） (2024-12-09T18:49:18Z)
• 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)
• Foundations of Quantum Federated Learning Over Classical and Quantum Networks [59.121263013213756]
  量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。 QFLは古典的通信網と量子的通信網の両方に展開できる。
  論文  参考訳（メタデータ） (2023-10-23T02:56:00Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• 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)
• Quantum variational learning for entanglement witnessing [0.0]
  この研究は量子アルゴリズムの潜在的な実装に焦点を当て、$n$ qubitsの単一レジスタ上で定義された量子状態を適切に分類することができる。 我々は「絡み合いの証人」という概念、すなわち、特定の特定の状態が絡み合うものとして識別できる期待値を持つ演算子を利用する。 我々は,量子ニューラルネットワーク(QNN)を用いて,絡み合いの目撃者の行動を再現する方法をうまく学習した。
  論文  参考訳（メタデータ） (2022-05-20T20:14:28Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• QKSA: Quantum Knowledge Seeking Agent -- resource-optimized reinforcement learning using quantum process tomography [1.3946983517871423]
  汎用人工知能の汎用強化学習(URL)エージェントモデルを量子環境に拡張する。 古典的な知識探索エージェントKL-KSAの効用関数は、量子情報理論からの距離測定に一般化される。 QKSAは、古典的なURLモデルに似たフレームワークの最初の提案である。
  論文  参考訳（メタデータ） (2021-12-07T11:36:54Z)
• Entangled Datasets for Quantum Machine Learning [0.0]
  代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。 NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。 また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
  論文  参考訳（メタデータ） (2021-09-08T02:20:13Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。