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

• A hybrid quantum solver for the Lorenz system [0.2770822269241974]
  我々は,ロレンツ系を解くための古典量子ハイブリッド法を開発した。 フォワードオイラー法を用いて系を時間的に離散化し、方程式系に変換する。 本稿では,ハイブリッド法と古典的アプローチを比較し,ロレンツ系を解く数値計算結果について述べる。
  論文  参考訳（メタデータ） (2024-10-20T15:20:28Z)
• H-DES: a Quantum-Classical Hybrid Differential Equation Solver [0.0]
  本稿では、微分方程式の系を解くための独自のハイブリッド量子古典アルゴリズムを提案する。 このアルゴリズムは、異なるパラメタライズド回路によって生成される量子状態の振幅における解関数を符号化するスペクトル法に依存している。
  論文  参考訳（メタデータ） (2024-10-01T23:47:41Z)
• Demonstration of Scalability and Accuracy of Variational Quantum Linear Solver for Computational Fluid Dynamics [0.0]
  本稿では,このような大規模方程式系を高精度に解くことを目的とした量子方法論の探索について述べる。 2次元,過渡的,非圧縮的,粘性,非線形結合バーガース方程式をテスト問題とする。 我々の研究結果は、我々の量子法が従来の手法に匹敵する精度で結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2024-09-05T04:42:24Z)
• Solving Fractional Differential Equations on a Quantum Computer: A Variational Approach [0.1492582382799606]
  本稿では, 時間-屈折偏微分方程式の解法として, 効率的な変分型量子古典アルゴリズムを提案する。 その結果, 解の忠実度は分数指数に不感であり, 勾配評価コストは時間ステップ数とともに経済的にスケールすることがわかった。
  論文  参考訳（メタデータ） (2024-06-13T02:27:16Z)
• MultiSTOP: Solving Functional Equations with Reinforcement Learning [56.073581097785016]
  物理学における関数方程式を解くための強化学習フレームワークであるMultiSTOPを開発した。 この新しい手法は境界ではなく実際の数値解を生成する。
  論文  参考訳（メタデータ） (2024-04-23T10:51:31Z)
• 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)
• 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)
• 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)
• Scalable Gradients for Stochastic Differential Equations [40.70998833051251]
  随伴感度法は 通常の微分方程式の勾配を 我々はこの手法を微分方程式に一般化し、時間効率と定数メモリ計算を可能にする。 提案手法は,ネットワークによって定義されたニューラルダイナミクスに適合し,50次元モーションキャプチャーデータセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2020-01-05T23:05:55Z)

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。