論文の概要: Towards graph classification with Gaussian Boson Sampling by embedding graphs on the X8 photonic chip

• arxiv url: http://arxiv.org/abs/2109.12863v1
• Date: Mon, 27 Sep 2021 08:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 12:12:06.185560
• Title: Towards graph classification with Gaussian Boson Sampling by embedding graphs on the X8 photonic chip
• Title（参考訳）: x8フォトニックチップへの埋め込みグラフによるガウスボソンサンプリングによるグラフ分類
• Authors: Edgard Pierre and Michel Nowak
• Abstract要約: 量子デバイス上でのグラフ分類への第一歩として,XanaduのX8チップの可能性を検討する。 ハードウェア制約は、符号化可能なグラフの特性と一致する。 我々は、X8チップの実験と、古典的コンピュータ上の数値シミュレーションと解析解との比較を報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photonics chips on which one can perform Gaussian Boson Sampling have become accessible on the cloud, in particular the X8 chip of Xanadu. In this technical report, we study its potential use as a first step towards graph classification on quantum devices. In order to achieve this goal, we study the generated samples of the graph embedding method which leads to feature vectors. This is done on a restricted class of unweighted, undirected and loop-free graphs. Hardware constraints are matched to properties of graphs that can be encoded. We report experiments on the X8 chip as well as comparisons to numerical simulations on a classical computer and analytical solutions. We conclude this technical report by trying to take photon loss into account and explain the observed results accordingly.
• Abstract（参考訳）: ガウスボソンサンプリングを実行できるフォトニクスチップはクラウド、特にXanaduのX8チップで利用できるようになった。 本報告では,量子デバイスにおけるグラフ分類への第一歩として,その可能性について検討する。 この目的を達成するために,特徴ベクトルを導くグラフ埋め込み法(graph embedded method)のサンプルについて検討する。 これは非重み付き、無方向、ループフリーグラフの制限クラスで行われる。 ハードウェア制約は、符号化可能なグラフの特性と一致する。 我々は、X8チップの実験と、古典的コンピュータ上の数値シミュレーションと解析解との比較を報告する。 我々は、光子損失を考慮に入れ、観測結果を説明することで、このテクニカルレポートを結論付ける。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Encoder Embedding for General Graph and Node Classification [4.178980693837599]
  エンコーダの埋め込み行列が大数の法則と中心極限定理を満たすことを証明している。 ある条件下では、クラスごとの正規性を達成し、識別分析による最適な分類を可能にする。
  論文  参考訳（メタデータ） (2024-05-24T11:51:08Z)
• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• Sampling and Uniqueness Sets in Graphon Signal Processing [136.68956350251418]
  グラフとグラフの極限の理論を活用して、大きなグラフの族上のサンプリング集合の性質について検討する。 我々は、収束結果を利用して、ほぼ最適なサンプリングセットを得るアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-01-11T22:31:48Z)
• A Poincaré Inequality and Consistency Results for Signal Sampling on Large Graphs [34.99659089854587]
  グラフ制限の一種であるグラフオンに対する信号サンプリング理論を導入する。 収束グラフ列上の一意なサンプリング集合は、グラフオン上の一意なサンプリング集合に収束することを示す。 そこで我々は,大規模グラフに対する関連するグラフ信号サンプリングアルゴリズムを提案し,グラフ機械学習タスクにおいて,その優れた経験的性能を示す。
  論文  参考訳（メタデータ） (2023-11-17T16:04:31Z)
• Nonparanormal Graph Quilting with Applications to Calcium Imaging [1.1470070927586016]
  ガウス図形モデルに基づく非正規グラフクィルティングの2つの手法について検討する。 提案手法は, 既存のガウスグラフキルト法と比較して, より科学的に有意な機能的接続推定値が得られる。
  論文  参考訳（メタデータ） (2023-05-22T21:16:01Z)
• Transductive Kernels for Gaussian Processes on Graphs [7.542220697870243]
  半教師付き学習のためのノード特徴データ付きグラフ用の新しいカーネルを提案する。 カーネルは、グラフと特徴データを2つの空間として扱うことにより、正規化フレームワークから派生する。 グラフ上のカーネルベースのモデルがどれだけの頻度で設計されているかを示す。
  論文  参考訳（メタデータ） (2022-11-28T14:00:50Z)
• Certification of Gaussian Boson Sampling via graph theory [4.063872661554895]
  実ガウスボソンサンプリング装置の光子計数とグラフ中の完全マッチング数との接続を利用する。 本フレームワークでは,グラフ特徴ベクトルとグラフカーネルの分布を利用した2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-02-15T20:22:28Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。