論文の概要: Quantum Stream Learning
- arxiv url: http://arxiv.org/abs/2112.06628v1
- Date: Mon, 13 Dec 2021 13:11:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 08:18:14.470989
- Title: Quantum Stream Learning
- Title(参考訳): 量子ストリーム学習
- Authors: Yongcheng Ding, Xi Chen, Rafael Magdalena-Benedicto, Jos\'e D.
Mart\'in-Guerrero
- Abstract要約: 量子力学のエキゾチックな性質は、古典的な応用と比較して量子領域において機械学習(ML)を異なるものにしている。
本研究では, 連続測定量子ビットからのストリーミングデータに対して, 変形, 劣化, 緩和の有無で深い強化学習を行う。
ストリーム学習は、クローズドループ量子制御のより良い理解を提供する。
- 参考スコア(独自算出の注目度): 3.5268496546972763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The exotic nature of quantum mechanics makes machine learning (ML) be
different in the quantum realm compared to classical applications. ML can be
used for knowledge discovery using information continuously extracted from a
quantum system in a broad range of tasks. The model receives streaming quantum
information for learning and decision-making, resulting in instant feedback on
the quantum system. As a stream learning approach, we present a deep
reinforcement learning on streaming data from a continuously measured qubit at
the presence of detuning, dephasing, and relaxation. We also investigate how
the agent adapts to another quantum noise pattern by transfer learning. Stream
learning provides a better understanding of closed-loop quantum control, which
may pave the way for advanced quantum technologies.
- Abstract(参考訳): 量子力学のエキゾチックな性質により、機械学習(ml)は古典的応用と比較して量子領域で異なる。
MLは、幅広いタスクにおいて量子システムから継続的に抽出された情報を用いて知識発見に使用できる。
モデルは学習と意思決定のためにストリーミング量子情報を受信し、量子システムに即座にフィードバックする。
ストリーム学習の手法として,デチューニング,デ強調,緩和の有無で連続的に測定したキュービットからストリーミングデータに対する深い強化学習を提案する。
また、転送学習により、エージェントが別の量子ノイズパターンにどのように適応するかについても検討する。
ストリーム学習はクローズドループ量子制御のより良い理解を提供する。
関連論文リスト
- 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) - Challenges and Opportunities in Quantum Machine Learning [2.5671549335906367]
量子機械学習(QML)は、特に量子データに対して、データ分析を加速する可能性がある。
ここでは、QMLの現在の方法と応用について概観する。
量子ニューラルネットワークと量子ディープラーニングに焦点をあてて、量子と古典的な機械学習の違いを強調します。
論文 参考訳(メタデータ) (2023-03-16T17:10:39Z) - 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) - 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) - Synergic quantum generative machine learning [0.0]
提案手法は, ジェネレータと識別器の協調に依拠し, 量子交感神経生成学習と呼ぶ。
我々は,最近提案された量子生成逆学習と相乗的アプローチが好適に比較できるという数値的証拠を提示する。
量子シミュレータで得られた結果に加えて、実際のプログラマブル量子コンピュータで得られた実験結果も提示する。
論文 参考訳(メタデータ) (2021-12-25T16:39:33Z) - Introduction to Quantum Reinforcement Learning: Theory and
PennyLane-based Implementation [10.40861455010028]
本稿では,変分量子回路を用いた量子強化学習の概念を紹介する。
本研究で得られた実験結果から量子強化学習のパワーと可能性について論じる。
論文 参考訳(メタデータ) (2021-08-16T01:05:49Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳(メタデータ) (2021-01-21T22:18:49Z) - Quantum reservoir computing: a reservoir approach toward quantum machine
learning on near-term quantum devices [0.8206877486958002]
量子貯水池コンピューティング(Quantum reservoir computing)は、時間的機械学習のように、量子システム上で複雑でリッチなダイナミクスを使用するアプローチである。
これらの量子機械学習アプローチはすべて、実験的に実現可能であり、最先端の量子デバイスに有効である。
論文 参考訳(メタデータ) (2020-11-10T04:45:52Z) - Quantum information spreading in a disordered quantum walk [50.591267188664666]
量子ウォークスを用いて量子情報拡散パターンを探索する量子探索プロトコルを設計する。
我々は、異常や古典的輸送を調査するために、コヒーレントな静的および動的障害に焦点を当てる。
以上の結果から,複雑なネットワークで発生する欠陥や摂動の情報を読み取る装置として,量子ウォーク(Quantum Walk)が考えられる。
論文 参考訳(メタデータ) (2020-10-20T20:03:19Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。