論文の概要: Q-means using variational quantum feature embedding
- arxiv url: http://arxiv.org/abs/2112.05969v1
- Date: Sat, 11 Dec 2021 13:00:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-04 20:40:35.838617
- Title: Q-means using variational quantum feature embedding
- Title（参考訳）: 変分量子特徴埋め込みを用いたQ平均
- Authors: Arvind S Menon and Nikaash Puri
- Abstract要約: 変分回路の目的は、量子的特徴を持つヒルベルト空間のクラスターを極大に分離することである。
量子回路の出力は、特定のクラスタに属する全ての量子状態の重ね合わせを表す特徴的なクラスター量子状態である。
期待値の勾配は、変動回路のパラメータを最適化し、より良い量子特徴写像を学習するために用いられる。
- 参考スコア（独自算出の注目度）: 0.9572675949441442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a hybrid quantum-classical algorithm that learns a
suitable quantum feature map that separates unlabelled data that is originally
non linearly separable in the classical space using a Variational quantum
feature map and q-means as a subroutine for unsupervised learning. The
objective of the Variational circuit is to maximally separate the clusters in
the quantum feature Hilbert space. First part of the circuit embeds the
classical data into quantum states. Second part performs unsupervised learning
on the quantum states in the quantum feature Hilbert space using the q-means
quantum circuit. The output of the quantum circuit are characteristic cluster
quantum states that represent a superposition of all quantum states belonging
to a particular cluster. The final part of the quantum circuit performs
measurements on the characteristic cluster quantum states to output the
inter-cluster overlap based on fidelity. The output of the complete quantum
circuit is used to compute the value of the cost function that is based on the
Hilbert-Schmidt distance between the density matrices of the characteristic
cluster quantum states. The gradient of the expectation value is used to
optimize the parameters of the variational circuit to learn a better quantum
feature map.
- Abstract（参考訳）: 本稿では,量子的特徴量マップとq-meansを教師なし学習のサブルーチンとして用いることで,古典空間で本来非線形分離可能な非ラベルデータを分離する,適切な量子特徴量マップを学習するハイブリッド量子古典型アルゴリズムを提案する。
変分回路の目的は、量子特徴ヒルベルト空間内のクラスターを極大に分離することである。
回路の最初の部分は古典的なデータを量子状態に埋め込む。
第2部はq平均量子回路を用いて量子特徴ヒルベルト空間内の量子状態の教師なし学習を行う。
量子回路の出力は、特定のクラスタに属する全ての量子状態の重ね合わせを表す特徴的なクラスター量子状態である。
量子回路の最終部は、特性クラスター量子状態の測定を行い、忠実度に基づいてクラスタ間重なりを出力する。
完全量子回路の出力は、特性クラスタ量子状態の密度行列間のヒルベルト-シュミット距離に基づくコスト関数の値を計算するために用いられる。
期待値の勾配は、変動回路のパラメータを最適化し、より良い量子特徴写像を学習するために用いられる。
関連論文リスト
- Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
本稿では,量子回路実行の並列化モデルを提案する。
このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
論文 参考訳（メタデータ） (2024-06-05T17:16:07Z) - 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) - 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) - A vertical gate-defined double quantum dot in a strained germanium
double quantum well [48.7576911714538]
シリコン-ゲルマニウムヘテロ構造におけるゲート定義量子ドットは、量子計算とシミュレーションのための魅力的なプラットフォームとなっている。
ひずみゲルマニウム二重量子井戸におけるゲート定義垂直2重量子ドットの動作を実証する。
課題と機会を議論し、量子コンピューティングと量子シミュレーションの潜在的な応用について概説する。
論文 参考訳（メタデータ） (2023-05-23T13:42:36Z) - Quantum process tomography of continuous-variable gates using coherent
states [49.299443295581064]
ボソニックモード超伝導回路におけるコヒーレント状態量子プロセストモグラフィ(csQPT)の使用を実証する。
符号化量子ビット上の変位とSNAP演算を用いて構築した論理量子ゲートを特徴付けることにより,本手法の結果を示す。
論文 参考訳（メタデータ） (2023-03-02T18:08:08Z) - Digital Quantum Simulation and Circuit Learning for the Generation of
Coherent States [1.4153418423656923]
量子回路におけるコヒーレントな状態をデジタル的に準備する2つの方法が導入された。
ディジタル生成されたコヒーレント状態の高忠実度を検証した。
シミュレーションの結果、量子回路学習は、適切なアンサーゼを選択することにより、コヒーレントな状態の学習に高い忠実性を提供できることが示された。
論文 参考訳（メタデータ） (2022-10-30T09:06:21Z) - Automatic quantum circuit encoding of a given arbitrary quantum state [0.0]
任意の量子状態を最適量子回路に符号化する量子古典ハイブリッドアルゴリズムを提案する。
提案アルゴリズムは、目的関数として、F = langle 0 vert hatmathcalCdagger vert Psi rangle$ の絶対値を用いる。
我々は、AQCEアルゴリズムによって生成された量子回路が、実際にノイズの多い実量子デバイス上で元の量子状態を合理的に表現できることを実験的に実証した。
論文 参考訳（メタデータ） (2021-12-29T12:33:41Z) - Interactive Protocols for Classically-Verifiable Quantum Advantage [46.093185827838035]
証明者と検証者の間の「相互作用」は、検証可能性と実装のギャップを埋めることができる。
イオントラップ量子コンピュータを用いた対話型量子アドバンストプロトコルの最初の実装を実演する。
論文 参考訳（メタデータ） (2021-12-09T19:00:00Z) - Stochastic emulation of quantum algorithms [0.0]
量子アルゴリズムに必要な量子力学状態の基本特性を共有する新しい対象として,粒子位置の確率分布の高次偏微分を導入する。
これらの普遍写像から構築された写像による伝播は、量子力学状態の進化を正確に予測できる。
我々は、いくつかのよく知られた量子アルゴリズムを実装し、必要な量子ビット数による実現のスケーリングを分析し、エミュレーションコストに対する破壊的干渉の役割を強調した。
論文 参考訳（メタデータ） (2021-09-16T07:54:31Z) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳（メタデータ） (2021-06-17T12:02:01Z) - Continuous Variable Quantum Advantages and Applications in Quantum
Optics [0.0]
この論文は連続変数と光学的設定における3つの主要な問題に焦点を当てている。
量子マシンが古典的マシンを上回る能力はどこから来るのか?
量子情報の使用によって実際に得られる利点は何か?
論文 参考訳（メタデータ） (2021-02-10T02:43:27Z)
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。