Fugu-MT 論文翻訳(概要): Quantum Model-Discovery

論文の概要: Quantum Model-Discovery

arxiv url: http://arxiv.org/abs/2111.06376v1
Date: Thu, 11 Nov 2021 18:45:52 GMT
ステータス: 処理完了
システム内更新日: 2021-11-12 14:10:42.138999
Title: Quantum Model-Discovery
Title（参考訳）: 量子モデル発見
Authors: Niklas Heim, Atiyo Ghosh, Oleksandr Kyriienko, Vincent E. Elfving
Abstract要約: 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。
参考スコア（独自算出の注目度）: 19.90246111091863
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum computing promises to speed up some of the most challenging problems in science and engineering. Quantum algorithms have been proposed showing theoretical advantages in applications ranging from chemistry to logistics optimization. Many problems appearing in science and engineering can be rewritten as a set of differential equations. Quantum algorithms for solving differential equations have shown a provable advantage in the fault-tolerant quantum computing regime, where deep and wide quantum circuits can be used to solve large linear systems like partial differential equations (PDEs) efficiently. Recently, variational approaches to solving non-linear PDEs also with near-term quantum devices were proposed. One of the most promising general approaches is based on recent developments in the field of scientific machine learning for solving PDEs. We extend the applicability of near-term quantum computers to more general scientific machine learning tasks, including the discovery of differential equations from a dataset of measurements. We use differentiable quantum circuits (DQCs) to solve equations parameterized by a library of operators, and perform regression on a combination of data and equations. Our results show a promising path to Quantum Model Discovery (QMoD), on the interface between classical and quantum machine learning approaches. We demonstrate successful parameter inference and equation discovery using QMoD on different systems including a second-order, ordinary differential equation and a non-linear, partial differential equation.
Abstract（参考訳）: 量子コンピューティングは、科学と工学における最も難しい問題をスピードアップする。量子アルゴリズムは化学からロジスティクス最適化まで幅広い応用において理論的利点を示す。科学や工学に現れる多くの問題は微分方程式の集合として書き直すことができる。微分方程式を解くための量子アルゴリズムは、深い量子回路を用いて偏微分方程式(PDE)のような大きな線形系を効率的に解くことができ、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。近年,近距離量子デバイスを用いた非線形PDEの解法が提案されている。最も有望な一般的なアプローチの1つは、PDEを解くための科学機械学習の分野での最近の発展に基づいている。近未来の量子コンピュータは、データ集合から微分方程式の発見を含む、より一般的な科学的な機械学習タスクに応用できる。我々は微分可能量子回路(DQC)を用いて演算子のライブラリによってパラメータ化される方程式を解き、データと方程式の組み合わせで回帰を行う。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上で,量子モデル探索(QMoD)への有望な経路を示す。 2階、常微分方程式および非線形偏微分方程式を含む異なる系において、qmodを用いたパラメータ推定と方程式発見が成功した。

関連論文リスト

Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
ConDiff: A Challenging Dataset for Neural Solvers of Partial Differential Equations [42.69799418639716]
本稿では,科学的機械学習のための新しいデータセットであるConDiffを紹介する。 ConDiffは、パラメトリック偏微分方程式(PDE)の多くの応用における基本的な問題である、様々な係数を持つ拡散方程式に焦点を当てている。この種の問題は、学術的な関心事だけでなく、様々な環境・産業問題の記述の基礎にもなっている。このようにして、ConDiffは、完全な合成と使いやすさを維持しながら、現実世界の問題とのギャップを短くする。
論文参考訳（メタデータ） (2024-06-07T07:35:14Z)
Quantum Circuit Learning on NISQ Hardware [0.0]
現在の量子コンピュータは小さく、エラーを起こしやすいシステムである。フォールトトレラントな量子コンピュータは近い将来は利用できない。我々は,IBM量子コンピュータ上で最大3キュービットのQCL回路が実行可能であることを示す。
論文参考訳（メタデータ） (2024-05-03T13:00:32Z)
Self-Adaptive Physics-Informed Quantum Machine Learning for Solving Differential Equations [0.0]
チェビシェフは、古典的および量子的ニューラルネットワークが微分方程式を解くための効率的なツールとして有望であることを示した。我々は、このフレームワークを様々な問題に対して量子機械学習環境に適応し、一般化する。その結果,量子デバイス上での微分方程式の短期的評価に対する有望なアプローチが示唆された。
論文参考訳（メタデータ） (2023-12-14T18:46:35Z)
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)
Correspondence between open bosonic systems and stochastic differential equations [77.34726150561087]
ボゾン系が環境との相互作用を含むように一般化されたとき、有限$n$で正確な対応も可能であることを示す。離散非線形シュル「オーディンガー方程式」の形をした特定の系をより詳細に分析する。
論文参考訳（メタデータ） (2023-02-03T19:17:37Z)
D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文参考訳（メタデータ） (2022-06-21T17:59:20Z)
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)
Adiabatic Quantum Graph Matching with Permutation Matrix Constraints [75.88678895180189]
3次元形状と画像のマッチング問題は、NPハードな置換行列制約を持つ二次代入問題(QAP)としてしばしば定式化される。本稿では,量子ハードウェア上での効率的な実行に適した制約のない問題として,いくつかのQAPの再構成を提案する。提案アルゴリズムは、将来の量子コンピューティングアーキテクチャにおいて、より高次元にスケールする可能性がある。
論文参考訳（メタデータ） (2021-07-08T17:59:55Z)
Quantum Algorithms for Solving Ordinary Differential Equations via Classical Integration Methods [1.802439717192088]
微分方程式を解くために,量子コンピュータの利用について検討する。我々は、対応するデジタル量子回路を考案し、シミュレーションし、6$mathrmth$order Gauss-Legendreコロケーション法を実装し、実行する。将来有望なシナリオとして、デジタル算術法は、逆問題に対する量子探索アルゴリズムの「オークル」として使用できる。
論文参考訳（メタデータ） (2020-12-17T09:49:35Z)
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)

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。