論文の概要: QBoost for regression problems: solving partial differential equations
- arxiv url: http://arxiv.org/abs/2108.13346v1
- Date: Mon, 30 Aug 2021 16:13:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 19:01:45.809593
- Title: QBoost for regression problems: solving partial differential equations
- Title(参考訳): 回帰問題に対するQBoost:偏微分方程式の解法
- Authors: Caio B. D. G\'oes, Thiago O. Maciel, Giovani G. Pollachini, Rafael
Cuenca, Juan P. L. C. Salazar, Eduardo I. Duzzioni
- Abstract要約: ハイブリッドアルゴリズムは、必要なキュービット数において、良好な精度と良好なスケーリングで偏微分方程式の解を求めることができる。
古典的な部分は、機械学習を用いて偏微分方程式を解くことができる複数の回帰器を訓練することによって構成される。
量子部分は、回帰問題を解くためにQBoostアルゴリズムを適用することで構成される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A hybrid algorithm based on machine learning and quantum ensemble learning is
proposed that is capable of finding a solution to a partial differential
equation with good precision and favorable scaling in the required number of
qubits. The classical part is composed by training several regressors
(weak-learners), capable of solving a partial differential equation using
machine learning. The quantum part consists of adapting the QBoost algorithm to
solve regression problems. We have successfully applied our framework to solve
the 1D Burgers' equation with viscosity, showing that the quantum ensemble
method really improves the solutions produced by weak-learners. We also
implemented the algorithm on the D-Wave Systems, confirming the best
performance of the quantum solution compared to the simulated annealing and
exact solver methods, given the memory limitations of our classical computer
used in the comparison.
- Abstract(参考訳): 必要な量子ビット数において、精度が高く、良好なスケーリングが可能な偏微分方程式の解を求めることができる機械学習と量子アンサンブル学習に基づくハイブリッドアルゴリズムを提案する。
古典的な部分は、機械学習を用いて偏微分方程式を解くことができる複数の回帰器(弱学習器)を訓練することによって構成される。
量子部分は回帰問題を解くためにQBoostアルゴリズムを適用する。
我々は,1次元バーガー方程式を粘度で解くために,我々の枠組みをうまく応用し,量子アンサンブル法が弱い学習者による解を本当に改善することを示した。
また,本アルゴリズムをD-Wave Systems上で実装し,従来のコンピュータのメモリ制限を考慮し,シミュレーションアニーリング法と精度の高い解法と比較して,量子解の最適性能を確認した。
関連論文リスト
- Physics-Informed Quantum Machine Learning for Solving Partial
Differential Equations [0.0]
観測可能量の変化として、パウリ-Z作用素の和に対するテンソル積を提案する。
このアイデアは、リカティ方程式の複素力学の解法で検証されている。
2次元ポアソン方程式の解法として,多変数関数を近似する新しい量子回路構造を提案する。
論文 参考訳(メタデータ) (2023-12-14T18:46:35Z) - Hybrid quantum-classical and quantum-inspired classical algorithms for
solving banded circulant linear systems [0.8192907805418583]
帯状循環系に対する量子状態の組み合わせの凸最適化に基づく効率的なアルゴリズムを提案する。
帯状循環行列を巡回置換に分解することにより, 量子状態の組み合わせによる近似解を$K$とする。
我々は,従来のシミュレーションと実際のIBM量子コンピュータ実装を用いて本手法を検証し,熱伝達などの物理問題への適用性を示した。
論文 参考訳(メタデータ) (2023-09-20T16:27:16Z) - Solving Systems of Linear Equations: HHL from a Tensor Networks
Perspective [41.94295877935867]
本稿では,HHLアルゴリズムに基づく線形方程式系の解法を,新しい四重項法を用いて提案する。
我々は、プロジェクションのような非単位演算を行う能力を利用して、テンソルネットワーク上で量子インスパイアされたバージョンを実行する。
論文 参考訳(メタデータ) (2023-09-11T08:18:41Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-14T08:03:20Z) - Accelerating the training of single-layer binary neural networks using
the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。
しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文 参考訳(メタデータ) (2022-10-23T11:58:05Z) - Quantum Kernel Methods for Solving Differential Equations [21.24186888129542]
量子カーネル法を用いて微分方程式(DE)の解法を提案する。
量子モデルをカーネル関数の重み付け和として構成し、特徴写像を用いて変数を符号化し、モデル微分を表現する。
論文 参考訳(メタデータ) (2022-03-16T18:56:35Z) - A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。
私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。
実際の量子コンピュータを用いて得られた結果について述べる。
論文 参考訳(メタデータ) (2022-01-25T05:59:24Z) - Quantum Model-Discovery [19.90246111091863]
微分方程式を解くための量子アルゴリズムは、フォールトトレラントな量子コンピューティングシステムにおいて証明可能な優位性を示している。
我々は、短期量子コンピュータの適用性を、より一般的な科学的な機械学習タスクに拡張する。
本結果は,古典的および量子機械学習アプローチのインターフェースにおける量子モデル探索(QMoD)への有望な経路を示す。
論文 参考訳(メタデータ) (2021-11-11T18:45:52Z) - Solving nonlinear differential equations with differentiable quantum
circuits [21.24186888129542]
非線形微分方程式系を解く量子アルゴリズムを提案する。
我々は、関数微分を微分可能な量子回路として解析形式で表現するために、自動微分を用いる。
本稿では,高次元特徴空間における微分方程式を解くためのスペクトル法の実装方法について述べる。
論文 参考訳(メタデータ) (2020-11-20T13:21:11Z) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳(メタデータ) (2020-01-12T15:54:20Z)
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。