論文の概要: Prediction and compression of lattice QCD data using machine learning algorithms on quantum annealer

• arxiv url: http://arxiv.org/abs/2112.02120v1
• Date: Fri, 3 Dec 2021 19:04:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 18:27:47.062537
• Title: Prediction and compression of lattice QCD data using machine learning algorithms on quantum annealer
• Title（参考訳）: 量子アニールを用いた機械学習アルゴリズムによる格子QCDデータの予測と圧縮
• Authors: Boram Yoon, Chia Cheng Chang, Garrett T. Kenyon, Nga T.T. Nguyen, Ermal Rrapaj
• Abstract要約: 格子QCDデータに対する回帰および圧縮アルゴリズムを提案する。 回帰アルゴリズムでは、入力変数と出力変数の相関関係をスパース符号化機械学習アルゴリズムにエンコードする。 圧縮アルゴリズムでは、浮動小数点数の格子QCDデータから入力データを密に再構成する二分係数への写像を定義する。
• 参考スコア（独自算出の注目度）: 4.987315310656657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present regression and compression algorithms for lattice QCD data utilizing the efficient binary optimization ability of quantum annealers. In the regression algorithm, we encode the correlation between the input and output variables into a sparse coding machine learning algorithm. The trained correlation pattern is used to predict lattice QCD observables of unseen lattice configurations from other observables measured on the lattice. In the compression algorithm, we define a mapping from lattice QCD data of floating-point numbers to the binary coefficients that closely reconstruct the input data from a set of basis vectors. Since the reconstruction is not exact, the mapping defines a lossy compression, but, a reasonably small number of binary coefficients are able to reconstruct the input vector of lattice QCD data with the reconstruction error much smaller than the statistical fluctuation. In both applications, we use D-Wave quantum annealers to solve the NP-hard binary optimization problems of the machine learning algorithms.
• Abstract（参考訳）: 量子アニールの効率的な二値最適化機能を利用した格子QCDデータの回帰および圧縮アルゴリズムを提案する。 回帰アルゴリズムでは、入力変数と出力変数の相関関係をスパース符号化機械学習アルゴリズムに符号化する。 トレーニングされた相関パターンは、格子上で測定された他の観測値から、目に見えない格子構成の格子QCD観測値を予測するために使用される。 圧縮アルゴリズムでは,浮動小数点数の格子QCDデータから基底ベクトルの集合から入力データを密に再構成する二分係数への写像を定義する。 再構成は正確ではないため、写像は損失圧縮を定義するが、統計的ゆらぎよりもはるかに小さい再構成誤差で格子qcdデータの入力ベクトルを、合理的に少数のバイナリ係数で再構成することができる。 どちらのアプリケーションでも、D-Wave量子アニールを用いて、機械学習アルゴリズムのNPハードバイナリ最適化問題を解く。

関連論文リスト

• Data Compression using Rank-1 Lattices for Parameter Estimation in Machine Learning [0.0]
  平均二乗誤差と正規化バージョンは、教師付き機械学習における標準的な損失関数である。 広範データセットをランク1格子を用いてより小さなサイズに縮小するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-20T12:35:24Z)
• 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)
• Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
  本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。 以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T12:38:46Z)
• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)
• Variational quantum regression algorithm with encoded data structure [0.21756081703276003]
  量子状態が古典的データテーブルを直接エンコードする量子回帰アルゴリズムを構築する。 量子サブルーチンを通して、古典的なデータ構造のリンクを直接利用することができることを示す。
  論文  参考訳（メタデータ） (2023-07-07T00:30:16Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Quantum-parallel vectorized data encodings and computations on trapped-ions and transmons QPUs [0.3262230127283452]
  我々は、QCrankとQBArtという2つの新しいデータ符号化方式を導入する。 QCrankは実数値データのシーケンスをデータキュービットの回転としてエンコードし、高いストレージ密度を実現する。 QBArtはデータのバイナリ表現を計算ベースに埋め込み、量子測定を少なくする。
  論文  参考訳（メタデータ） (2023-01-19T01:26:32Z)
• Quantum Extremal Learning [0.8937790536664091]
  本稿では,関数出力を極大化する隠れ関数への入力を見つける過程である「極大学習のための量子アルゴリズム」を提案する。 量子エクストリームラーニング(quantum extremal Learning, QEL)と呼ばれるこのアルゴリズムは、データ入力と出力の関係をモデル化するために変分訓練されたパラメトリック量子回路で構成されている。
  論文  参考訳（メタデータ） (2022-05-05T17:37:26Z)
• Benchmarking Small-Scale Quantum Devices on Computing Graph Edit Distance [52.77024349608834]
  グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。 本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
  論文  参考訳（メタデータ） (2021-11-19T12:35:26Z)
• Lossy compression of statistical data using quantum annealer [1.433758865948252]
  統計的浮動小数点データに対する新しい損失圧縮アルゴリズムを提案する。 アルゴリズムは、元のデータを正確に再構成する基底ベクトルとそのバイナリ係数の集合を見つける。 圧縮アルゴリズムは格子量子色力学シミュレーションの2つの異なるデータセットで実証される。
  論文  参考訳（メタデータ） (2021-10-05T16:16:41Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)

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。