論文の概要: Quantum kernels to learn the phases of quantum matter
- arxiv url: http://arxiv.org/abs/2109.02686v2
- Date: Wed, 4 May 2022 07:27:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 00:40:09.935110
- Title: Quantum kernels to learn the phases of quantum matter
- Title（参考訳）: 量子物質の相を学ぶための量子核
- Authors: Teresa Sancho-Lorente, Juan Rom\'an-Roche, David Zueco
- Abstract要約: カーネルは自然にエンフィダリティと関係しているため、量子情報ツールの助けを借りて学習プロセスを解釈することが可能である。
小型システムでは, 臨界から遠ざかっても, アルゴリズムが正確な結果が得られることを示す。
量子プロセッサにおける物質相を分類するために, サイト毎の忠実度に基づくアルゴリズムと, サイト毎の忠実度に基づくアルゴリズムを2つ提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Classical machine learning has succeeded in the prediction of both classical
and quantum phases of matter. Notably, kernel methods stand out for their
ability to provide interpretable results, relating the learning process with
the physical order parameter explicitly. Here, we exploit quantum kernels
instead. They are naturally related to the \emph{fidelity} and thus it is
possible to interpret the learning process with the help of quantum information
tools. In particular, we use a support vector machine (with a quantum kernel)
to predict and characterize second order quantum phase transitions. We explain
and understand the process of learning when the fidelity per site (rather than
the fidelity) is used. The general theory is tested in the Ising chain in
transverse field. We show that for small-sized systems, the algorithm gives
accurate results, even when trained away from criticality. Besides, for larger
sizes we confirm the success of the technique by extracting the correct
critical exponent $\nu$. Finally, we present two algorithms, one based on
fidelity and one based on the fidelity per site, to classify the phases of
matter in a quantum processor.
- Abstract（参考訳）: 古典的な機械学習は、古典的および量子的な物質相の予測に成功している。
特に、カーネルメソッドは、学習プロセスと物理的順序パラメータを明示的に関連付け、解釈可能な結果を提供する能力で際立っている。
ここでは、量子カーネルを活用します。
これらは自然に \emph{fidelity} と関連しており、量子情報ツールの助けを借りて学習プロセスを解釈することができる。
特に、サポートベクターマシン(量子カーネル)を使用して、2階の量子相転移を予測・特徴付けしている。
サイト毎の忠実度(忠実度ではなく)が使用される場合の学習過程を説明し,理解する。
一般理論は、横フィールドのイジング連鎖で検証される。
小型システムでは, 臨界から遠ざかっても, アルゴリズムが正確な結果が得られることを示す。
さらに、より大きなサイズでは、正しい臨界指数$\nu$を抽出することで、この手法の成功を確認する。
最後に、量子プロセッサ内の物質相を分類するために、各部位ごとの忠実度に基づくアルゴリズムと、各部位ごとの忠実度に基づくアルゴリズムを2つ提示する。
関連論文リスト
- Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳（メタデータ） (2024-06-17T18:20:51Z) - Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
本稿では,量子情報処理の導入について紹介する。
量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。
分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
論文 参考訳（メタデータ） (2024-05-31T16:43:20Z) - Quantum Machine Learning: Quantum Kernel Methods [0.0]
カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。
量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。
データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
論文 参考訳（メタデータ） (2024-05-02T23:45:29Z) - Learning, Optimizing, and Simulating Fermions with Quantum Computers [2.810160553339817]
量子情報と計算のツールが、これらの両面でどのように役立つかを探る。
我々は、主に部分的状態学習(トモグラフィープロトコル)のタスクを通じて、量子系の減少するが十分で古典的な記述を得る。
同時に、そのようなプロトコルの探索において、量子状態を学ぶことが何を意味するのかという考え方も洗練される。
論文 参考訳（メタデータ） (2023-12-16T09:57:47Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Quantum Bayes AI [1.7403133838762443]
量子ベイズAI(Quantum Bayesian AI, Q-B)は、量子コンピューティングで利用可能な計算ゲインを補う新興分野である。
我々は、古典的および量子的確率の双対性を提供して、後続の関心量の計算を行う。
本稿では,2つの単純な分類アルゴリズム上での量子アルゴリズムの挙動について述べる。
論文 参考訳（メタデータ） (2022-08-17T04:51:10Z) - Quantum Semi-Supervised Learning with Quantum Supremacy [0.0]
量子機械学習は重要な問題を解決することを約束する。
古典的な機械学習には、ラベル付きデータの欠如と計算能力の限界という2つの永続的な課題がある。
本稿では,量子セミ教師付き学習という,両方の問題を解決する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-05T20:15:58Z) - 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) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳（メタデータ） (2021-03-31T02:41:36Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳（メタデータ） (2020-01-15T18:36:53Z)
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。