論文の概要: Generative Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2111.12738v1
- Date: Wed, 24 Nov 2021 19:00:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 23:36:52.944860
- Title: Generative Quantum Machine Learning
- Title（参考訳）: 生成的量子機械学習
- Authors: Christa Zoufal
- Abstract要約: この論文の目的は、新しい生成量子機械学習アルゴリズムを開発することである。
本稿では,パラメータ化量子回路で実現可能な量子生成逆数ネットワークと量子ボルツマンマシンの実装を紹介する。
- 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: The goal of generative machine learning is to model the probability
distribution underlying a given data set. This probability distribution helps
to characterize the generation process of the data samples. While classical
generative machine learning is solely based on classical resources, generative
quantum machine learning can also employ quantum resources - such as
parameterized quantum channels and quantum operators - to learn and sample from
the probability model of interest.
Applications of generative (quantum) models are multifaceted. The trained
model can generate new samples that are compatible with the given data and
extend the data set. Additionally, learning a model for the generation process
of a data set may provide interesting information about the corresponding
properties. With the help of quantum resources, the respective generative
models have access to functions that are difficult to evaluate with a classical
computer and may improve the performance or lead to new insights. Furthermore,
generative quantum machine learning can be applied to efficient, approximate
loading of classical data into a quantum state which may help to avoid -
potentially exponentially - expensive, exact quantum data loading.
The aim of this doctoral thesis is to develop new generative quantum machine
learning algorithms, demonstrate their feasibility, and analyze their
performance. Additionally, we outline their potential application to efficient,
approximate quantum data loading. More specifically, we introduce a quantum
generative adversarial network and a quantum Boltzmann machine implementation,
both of which can be realized with parameterized quantum circuits. These
algorithms are compatible with first-generation quantum hardware and, thus,
enable us to study proof of concept implementations not only with numerical
quantum simulations but also real quantum hardware available today.
- Abstract（参考訳）: 生成機械学習の目標は、与えられたデータセットの下の確率分布をモデル化することである。
この確率分布は、データサンプルの生成過程を特徴づけるのに役立つ。
古典的な生成機械学習は、古典的資源のみに基づいているが、生成的量子機械学習は、パラメータ化された量子チャネルや量子演算子のような量子リソースを使用して、関心の確率モデルから学習し、サンプルすることができる。
生成(量子)モデルの応用は多面的である。
トレーニングされたモデルは、与えられたデータと互換性のある新しいサンプルを生成し、データセットを拡張することができる。
さらに、データセットの生成プロセスのためのモデルを学ぶことは、対応するプロパティに関する興味深い情報を提供するかもしれない。
量子資源の助けを借りて、各生成モデルは古典的コンピュータで評価し難い関数にアクセスでき、性能を改善したり、新たな洞察をもたらす可能性がある。
さらに、ジェネレーティブ量子機械学習は、潜在的に指数関数的に - 高価で正確な量子データの読み込みを避けるのに役立つ、古典データの量子状態への効率的な近似ロードに応用することができる。
この博士論文の目的は、新しい生成量子機械学習アルゴリズムを開発し、その実現可能性を示し、その性能を分析することである。
さらに,効率良く近似的な量子データ読み込みへの応用について概説する。
より具体的には、量子生成逆ネットワークと量子ボルツマンマシンの実装を導入し、どちらもパラメータ化された量子回路で実現できる。
これらのアルゴリズムは第1世代の量子ハードウェアと互換性があり、数値量子シミュレーションだけでなく、現在利用可能な実量子ハードウェアでも概念実装の証明を研究できる。
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) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳（メタデータ） (2024-07-02T18:00:00Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - 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) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - Machine learning applications for noisy intermediate-scale quantum
computers [0.0]
NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。
これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。
近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-19T09:26:57Z) - Comparing concepts of quantum and classical neural network models for
image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。
シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文 参考訳（メタデータ） (2021-08-19T18:49:30Z) - Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。
このような量子相関が生成モデリングの強力な資源となることを理論的に示す。
この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
論文 参考訳（メタデータ） (2021-01-20T22:57:22Z) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳（メタデータ） (2020-11-03T19:00:01Z)
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。