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
- 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) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - 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) - Understanding the Mapping of Encode Data Through An Implementation of
Quantum Topological Analysis [0.7106986689736827]
複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。
提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
論文 参考訳(メタデータ) (2022-09-21T18:46:08Z) - 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) - Quantum Algorithms for Data Representation and Analysis [68.754953879193]
機械学習におけるデータ表現のための固有problemsの解を高速化する量子手続きを提供する。
これらのサブルーチンのパワーと実用性は、主成分分析、対応解析、潜在意味解析のための入力行列の大きさのサブ線形量子アルゴリズムによって示される。
その結果、入力のサイズに依存しない実行時のパラメータは妥当であり、計算モデル上の誤差が小さいことが示され、競合的な分類性能が得られる。
論文 参考訳(メタデータ) (2021-04-19T00:41:43Z)
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。