論文の概要: Multi-class quantum classifiers with tensor network circuits for quantum
phase recognition
- arxiv url: http://arxiv.org/abs/2110.08386v1
- Date: Fri, 15 Oct 2021 21:55:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-11 09:52:40.009240
- Title: Multi-class quantum classifiers with tensor network circuits for quantum
phase recognition
- Title(参考訳): 量子位相認識のためのテンソルネットワーク回路を用いたマルチクラス量子分類器
- Authors: Marco Lazzarin, Davide Emilio Galli, and Enrico Prati
- Abstract要約: ネットワークにインスパイアされた回路は、変分量子固有解回路の自然な選択として提案されている。
本稿では,ツリーテンソルネットワークとマルチスケール再正規化アンサッツ回路に基づくマルチクラスの絡み合いに関する数値実験を行う。
- 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: Hybrid quantum-classical algorithms based on variational circuits are a
promising approach to quantum machine learning problems for near-term devices,
but the selection of the variational ansatz is an open issue. Recently, tensor
network-inspired circuits have been proposed as a natural choice for such
ansatz. Their employment on binary classification tasks provided encouraging
results. However, their effectiveness on more difficult tasks is still unknown.
Here, we present numerical experiments on multi-class classifiers based on tree
tensor network and multiscale entanglement renormalization ansatz circuits. We
conducted experiments on image classification with the MNIST dataset and on
quantum phase recognition with the XXZ model by Cirq and TensorFlow Quantum. In
the former case, we reduced the number of classes to four to match the aimed
output based on 2 qubits. The quantum data of the XXZ model consist of three
classes of ground states prepared by a checkerboard circuit used for the ansatz
of the variational quantum eigensolver, corresponding to three distinct quantum
phases. Test accuracy turned out to be 59%-93% and 82%-96% respectively,
depending on the model architecture and on the type of preprocessing.
- Abstract(参考訳): 変分回路に基づくハイブリッド量子古典アルゴリズムは、短期デバイスにおける量子機械学習問題に対して有望なアプローチであるが、変分アンサッツの選択はオープン問題である。
近年、テンソルネットワークにインスパイアされた回路は、そのようなアンサッツの自然な選択として提案されている。
バイナリ分類タスクにおける彼らの雇用は、奨励的な結果をもたらした。
しかし、より難しいタスクに対する効果はまだ不明である。
本稿では,木テンソルネットワークとマルチスケールエンタングルメント再正規化アンサッツ回路に基づくマルチクラス分類器の数値実験を行う。
我々は、MNISTデータセットを用いた画像分類と、CirqとTensorFlow QuantumによるXXZモデルによる量子位相認識の実験を行った。
前者の場合、目的とする出力を2キュービットで一致させるために、クラス数を4に減らした。
xxzモデルの量子データは、3つの異なる量子位相に対応する変分量子固有ソルバのアンサッツに使用されるチェッカーボード回路によって作成される3つの基底状態からなる。
テスト精度はモデルアーキテクチャとプリプロセスの種類によってそれぞれ59%-93%と82%-96%であることが判明した。
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) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - MORE: Measurement and Correlation Based Variational Quantum Circuit for
Multi-classification [10.969833959443495]
MOREは、測定と相関に基づく変分量子多重分類器の略である。
我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
論文 参考訳(メタデータ) (2023-07-21T19:33:10Z) - 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) - A hybrid quantum-classical classifier based on branching multi-scale
entanglement renormalization ansatz [5.548873288570182]
本稿では,ラベル伝搬に基づく量子半教師付き分類器を提案する。
グラフ構築の難しさを考慮し,変分量子ラベル伝搬法(VQLP)を開発した。
本手法では、最適化に必要なパラメータを減らすために、局所パラメータ化量子回路を作成する。
論文 参考訳(メタデータ) (2023-03-14T13:46:45Z) - Variational Quantum Eigensolver for Classification in Credit Sales Risk [0.5524804393257919]
本稿では,変分量子固有解器(VQE)といわゆるSWAP-Testに基づく量子回路について考察する。
活用されたデータセットでは、2つのクラスが観察できる。
この解はコンパクトであり、対数的に増加するキュービット数だけを必要とする。
論文 参考訳(メタデータ) (2023-03-05T23:08:39Z) - Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning [0.5999777817331318]
本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。
提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。
この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
論文 参考訳(メタデータ) (2022-03-29T09:07:18Z) - Quantum algorithm for neural network enhanced multi-class parallel
classification [0.3314882635954752]
提案アルゴリズムは,高い分類精度,高速収束,表現能力を有する。
L$クラスの分類タスクでは、量子回路の空間と時間の複雑さはそれぞれ$O(L*logL)$と$O(logL)$である。
論文 参考訳(メタデータ) (2022-03-08T14:06:13Z) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳(メタデータ) (2021-09-05T15:15:07Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - QUANTIFY: A framework for resource analysis and design verification of
quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。
Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。
ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文 参考訳(メタデータ) (2020-07-21T15:36:25Z)
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。