論文の概要: Quantum kernels with squeezed-state encoding for machine learning

• arxiv url: http://arxiv.org/abs/2108.11114v1
• Date: Wed, 25 Aug 2021 08:24:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 05:31:03.949947
• Title: Quantum kernels with squeezed-state encoding for machine learning
• Title（参考訳）: 圧縮状態符号化を用いた機械学習用量子カーネル
• Authors: Long Hin Li, Dan-Bo Zhang and Z. D. Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kernel methods are powerful for machine learning, as they can represent data in feature spaces that similarities between samples may be faithfully captured. Recently, it is realized that machine learning enhanced by quantum computing is closely related to kernel methods, where the exponentially large Hilbert space turns to be a feature space more expressive than classical ones. In this paper, we generalize quantum kernel methods by encoding data into continuous-variable quantum states, which can benefit from the infinite-dimensional Hilbert space of continuous variables. Specially, we propose squeezed-state encoding, in which data is encoded as either in the amplitude or the phase. The kernels can be calculated on a quantum computer and then are combined with classical machine learning, e.g. support vector machine, for training and predicting tasks. Their comparisons with other classical kernels are also addressed. Lastly, we discuss physical implementations of squeezed-state encoding for machine learning in quantum platforms such as trapped ions.
• Abstract（参考訳）: カーネルメソッドは、サンプル間の類似性を忠実にキャプチャできる機能空間でデータを表現できるため、機械学習には強力である。 近年、量子コンピューティングによって強化された機械学習は、指数関数的に大きいヒルベルト空間が古典的空間よりも表現力のある特徴空間となるカーネル法と密接に関連していることが判明した。 本稿では,連続変数の無限次元ヒルベルト空間の恩恵を受ける連続変数量子状態へデータを符号化することにより,量子カーネル法を一般化する。 特に,振幅と位相のいずれにおいてもデータが符号化される圧縮状態符号化を提案する。 カーネルは量子コンピュータ上で計算され、タスクのトレーニングと予測のために、例えばサポートベクターマシンのような古典的な機械学習と組み合わせられる。 他の古典的カーネルとの比較も取り組まれている。 最後に、閉じ込められたイオンなどの量子プラットフォームにおける機械学習のための圧縮状態エンコーディングの物理的実装について論じる。

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)
• 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 Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• 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)
• The Inductive Bias of Quantum Kernels [0.0]
  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。
  論文  参考訳（メタデータ） (2021-06-07T16:14:32Z)
• Training Quantum Embedding Kernels on Near-Term Quantum Computers [0.08563354084119063]
  量子コンピュータのヒルベルト空間にデータを埋め込むことで構築された量子埋め込みカーネル(QEK)は、特定の量子カーネル技術である。 まず、量子埋め込みカーネルを紹介し、ノイズの多い短期量子コンピュータ上でそれらを実現する際に生じる現実的な問題を解析する。
  論文  参考訳（メタデータ） (2021-05-05T18:41:13Z)
• Quantum-enhanced bosonic learning machine [0.0]
  本稿では,量子データに閉じ込められたイオンのシステムで動作させる量子強化ボソニック学習マシンについて述べる。 我々は、高次元量子状態の集合におけるパターンを認識するために、教師なしK平均アルゴリズムを実装した。 得られた知識を用いて、未知の量子状態を教師付きk-NNアルゴリズムで分類する。
  論文  参考訳（メタデータ） (2021-04-09T02:44:57Z)
• Quantum machine learning models are kernel methods [0.0]
  この技術写本は、量子モデルをカーネルメソッドとして体系的に言い換えることでリンクを要約し、形式化し、拡張する。 これは、ほとんどの短期およびフォールトトレラント量子モデルは、一般的な支持ベクトルマシンに置き換えることができることを示している。 特にカーネルベースのトレーニングは、変分回路のトレーニングよりも優れた、あるいは同等に優れた量子モデルを見つけることが保証されている。
  論文  参考訳（メタデータ） (2021-01-26T19:00:04Z)
• 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)

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。