論文の概要: Revisiting dequantization and quantum advantage in learning tasks
- arxiv url: http://arxiv.org/abs/2112.00811v1
- Date: Wed, 1 Dec 2021 20:05:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 10:23:28.706830
- Title: Revisiting dequantization and quantum advantage in learning tasks
- Title(参考訳): 学習課題における復調と量子優位性の再考
- Authors: Jordan Cotler, Hsin-Yuan Huang, Jarrod R. McClean
- Abstract要約: サンプルとクエリ(SQ)アクセスを持つ古典的アルゴリズムは量子状態入力を持つ量子アルゴリズムよりも指数関数的に高速に学習タスクを実現できることを示す。
これらの結果から,SQアクセスが量子状態入力に対して強すぎるため,指数的量子優位性が欠如していることが示唆された。
- 参考スコア(独自算出の注目度): 3.265773263570237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It has been shown that the apparent advantage of some quantum machine
learning algorithms may be efficiently replicated using classical algorithms
with suitable data access -- a process known as dequantization. Existing works
on dequantization compare quantum algorithms which take copies of an n-qubit
quantum state $|x\rangle = \sum_{i} x_i |i\rangle$ as input to classical
algorithms which have sample and query (SQ) access to the vector $x$. In this
note, we prove that classical algorithms with SQ access can accomplish some
learning tasks exponentially faster than quantum algorithms with quantum state
inputs. Because classical algorithms are a subset of quantum algorithms, this
demonstrates that SQ access can sometimes be significantly more powerful than
quantum state inputs. Our findings suggest that the absence of exponential
quantum advantage in some learning tasks may be due to SQ access being too
powerful relative to quantum state inputs. If we compare quantum algorithms
with quantum state inputs to classical algorithms with access to measurement
data on quantum states, the landscape of quantum advantage can be dramatically
different.
- Abstract(参考訳): いくつかの量子機械学習アルゴリズムの明らかな利点は、適切なデータアクセスを持つ古典的アルゴリズムを使って効率的に複製されることが示されている。
量子化に関する既存の研究は、n-量子ビット量子状態 $|x\rangle = \sum_{i} x_i |i\rangle$ をベクトル $x$ へのサンプルおよびクエリ (SQ) アクセスを持つ古典的アルゴリズムへの入力として取る量子アルゴリズムを比較する。
本稿では、SQアクセスを持つ古典的アルゴリズムが量子状態入力を持つ量子アルゴリズムよりも指数関数的に高速に学習タスクを達成できることを証明する。
古典的アルゴリズムは量子アルゴリズムのサブセットであるため、これはSQアクセスが量子状態入力よりもはるかに強力であることを示す。
本研究は,sqアクセスが量子状態入力に対して強力すぎることによる学習タスクにおける指数関数的量子優位性の欠如を示唆する。
量子アルゴリズムと量子状態入力を、量子状態の測定データにアクセスする古典的なアルゴリズムと比較すると、量子優位の状況は劇的に異なる可能性がある。
関連論文リスト
- QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳(メタデータ) (2024-01-10T22:33:00Z) - Practical limitations of quantum data propagation on noisy quantum
processors [1.2891210250935146]
行列を高い条件数で反転させるのに古典的な計算を必要とする量子アルゴリズムは、誤り確率が非常に低い単一および2量子ゲートを必要とすることを示す。
我々の研究は、ノイズの多い環境下で実行できるハイブリッド量子古典アルゴリズムの主流概念に挑戦する。
論文 参考訳(メタデータ) (2023-06-22T17:12:52Z) - 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 Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳(メタデータ) (2022-12-13T16:04:16Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳(メタデータ) (2022-09-22T21:54:28Z) - Entanglement and coherence in Bernstein-Vazirani algorithm [58.720142291102135]
Bernstein-Vaziraniアルゴリズムは、オラクルに符号化されたビット文字列を決定できる。
我々はベルンシュタイン・ヴァジラニアルゴリズムの量子資源を詳細に分析する。
絡み合いがない場合、初期状態における量子コヒーレンス量とアルゴリズムの性能が直接関係していることが示される。
論文 参考訳(メタデータ) (2022-05-26T20:32:36Z) - Quantum search on noisy intermediate-scale quantum devices [7.147209811770232]
グロバーのアルゴリズムは、実際の実装において、深さなどの物理的資源を考慮せずに設計されている。
我々は、IBMQ、IonQ、Honeywell量子デバイスを含む、異なる量子プロセッサ上での5量子量子探索アルゴリズムの詳細なベンチマークを示す。
この結果から,NISQコンピュータのパワーを最大限活用できる誤り認識型量子探索アルゴリズムの設計が可能であることが示唆された。
論文 参考訳(メタデータ) (2022-01-31T22:25:58Z) - A rigorous and robust quantum speed-up in supervised machine learning [6.402634424631123]
本稿では,汎用量子学習アルゴリズムを用いて,教師付き分類のための厳密な量子スピードアップを確立する。
我々の量子分類器は、フォールトトレラント量子コンピュータを用いてカーネル関数を推定する従来のサポートベクトルマシンである。
論文 参考訳(メタデータ) (2020-10-05T17:22:22Z) - Quantum Gram-Schmidt Processes and Their Application to Efficient State
Read-out for Quantum Algorithms [87.04438831673063]
本稿では、生成した状態の古典的ベクトル形式を生成する効率的な読み出しプロトコルを提案する。
我々のプロトコルは、出力状態が入力行列の行空間にある場合に適合する。
我々の技術ツールの1つは、Gram-Schmidt正則手順を実行するための効率的な量子アルゴリズムである。
論文 参考訳(メタデータ) (2020-04-14T11:05:26Z) - A Roadmap for Automating the Selection of Quantum Computers for Quantum
Algorithms [0.39146761527401425]
いくつかの量子アルゴリズムは、最もよく知られた古典的アルゴリズムと比較して理論的なスピードアップを示す。
入力データは、例えば量子アルゴリズムに必要な量子ビット数とゲート数を決定する。
アルゴリズムの実装は、使用可能な量子コンピュータのセットを制限する使用済みのソフトウェア開発キットにも依存する。
論文 参考訳(メタデータ) (2020-03-30T12:44:10Z)
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。