論文の概要: QDataset: Quantum Datasets for Machine Learning

• arxiv url: http://arxiv.org/abs/2108.06661v1
• Date: Sun, 15 Aug 2021 05:30:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-18 11:18:43.347152
• Title: QDataset: Quantum Datasets for Machine Learning
• Title（参考訳）: QDataset: 機械学習のための量子データセット
• Authors: Elija Perrier, Akram Youssry, Chris Ferrie
• Abstract要約: QDataSetは、QMLアルゴリズムのトレーニングと開発を容易にするために設計された量子データセットである。 データセットは、機械学習の実践者がQDataSetを使用して、応用量子計算の問題を解決するために、豊富な情報を提供するように構成されている。 関連するGitHubリポジトリのデータセットは、さまざまな最適化コンテキストにおけるQDataSetの使用を実証するセットである。
• 参考スコア（独自算出の注目度）: 1.160208922584163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The availability of large-scale datasets on which to train, benchmark and test algorithms has been central to the rapid development of machine learning as a discipline and its maturity as a research discipline. Despite considerable advancements in recent years, the field of quantum machine learning (QML) has thus far lacked a set of comprehensive large-scale datasets upon which to benchmark the development of algorithms for use in applied and theoretical quantum settings. In this paper, we introduce such a dataset, the QDataSet, a quantum dataset designed specifically to facilitate the training and development of QML algorithms. The QDataSet comprises 52 high-quality publicly available datasets derived from simulations of one- and two-qubit systems evolving in the presence and/or absence of noise. The datasets are structured to provide a wealth of information to enable machine learning practitioners to use the QDataSet to solve problems in applied quantum computation, such as quantum control, quantum spectroscopy and tomography. Accompanying the datasets on the associated GitHub repository are a set of workbooks demonstrating the use of the QDataSet in a range of optimisation contexts.
• Abstract（参考訳）: アルゴリズムをトレーニング、ベンチマーク、テストするための大規模なデータセットが利用可能であることは、分野としての機械学習の急速な発展と、研究分野としての成熟の中心となっている。 近年のかなりの進歩にもかかわらず、量子機械学習(qml)の分野には、応用量子および理論量子設定で使用するアルゴリズムの開発をベンチマークするための包括的な大規模データセットが欠如している。 本稿では,QMLアルゴリズムのトレーニングと開発を容易にするために設計された量子データセットであるQDataSetを紹介する。 QDataSetは、1ビットと2ビットのシステムのシミュレーションから得られた52の高品質な公開データセットで構成されている。 データセットは、機械学習の実践者がQDataSetを使用して量子制御、量子分光、トモグラフィーなどの応用量子計算の問題を解決するために、豊富な情報を提供するように構成されている。 関連するGitHubリポジトリのデータセットには、さまざまな最適化コンテキストにおけるQDataSetの使用を示す一連のワークブックが含まれている。

関連論文リスト

• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクに焦点を当てた量子カーネル推定(QKE)と量子カーネルトレーニング(QKT)のベンチマーク研究を行う。 ZZFeatureMapとCovariantFeatureMapという2つの量子特徴写像がこの文脈で分析される。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• QASnowball: An Iterative Bootstrapping Framework for High-Quality Question-Answering Data Generation [67.27999343730224]
  QAデータ拡張のための反復型ブートストラップフレームワーク(QASnowball)を導入する。 QASnowballは、教師付きサンプルのシードセットに基づいて、大規模で高品質なQAデータを反復的に生成することができる。 本研究では, 高資源の英語シナリオと中資源の中国語シナリオで実験を行い, 実験結果から, QASnowball が生成したデータによりQAモデルを容易に作成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T05:20:36Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• MNISQ: A Large-Scale Quantum Circuit Dataset for Machine Learning on/for Quantum Computers in the NISQ era [2.652805765181667]
  MNISQは9つのサブデータセットから構成される4,950,000のデータポイントで構成されている。 我々は、量子形式、回路として、古典形式、量子回路記述として、データセットを二重形式で提供します。 量子カーネル法を用いて回路データセットを検証し,97%の精度で優れた結果を得た。
  論文  参考訳（メタデータ） (2023-06-29T02:04:14Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• The Basis of Design Tools for Quantum Computing: Arrays, Decision Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
  量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。 完全に自動化された量子ソフトウェアスタックを開発する必要がある。 この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
  論文  参考訳（メタデータ） (2023-01-10T19:00:00Z)
• 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)
• 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。