論文の概要: A Case For Noisy Shallow Gate-Based Circuits In Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2112.06712v1
• Date: Mon, 13 Dec 2021 14:50:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 21:39:27.317744
• Title: A Case For Noisy Shallow Gate-Based Circuits In Quantum Machine Learning
• Title（参考訳）: 量子機械学習におけるノイズ浅層ゲートベース回路の事例
• Authors: Patrick Selig, Niall Murphy, Ashwin Sundareswaran R, David Redmond, Simon Caton
• Abstract要約: 本稿では,いくつかの標準機械学習データセットとIBMのQiskitシミュレータを用いて,鍵回路設計パラメータ(量子ビット数,深さ数など)の影響について検討する。 一般に、浅い(低深さ)幅(より量子ビット)の回路トポロジーは、ノイズのない設定でより深いトポロジーを上回る傾向にある。 これらの結果に基づいて,量子機械学習アルゴリズムの実現に向けた短期的な約束を示す回路トポロジのガイドラインを定義する。
• 参考スコア（独自算出の注目度）: 0.3249879651054462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is increasing interest in the development of gate-based quantum circuits for the training of machine learning models. Yet, little is understood concerning the parameters of circuit design, and the effects of noise and other measurement errors on the performance of quantum machine learning models. In this paper, we explore the practical implications of key circuit design parameters (number of qubits, depth etc.) using several standard machine learning datasets and IBM's Qiskit simulator. In total we evaluate over 6500 unique circuits with $n \approx 120700$ individual runs. We find that in general shallow (low depth) wide (more qubits) circuit topologies tend to outperform deeper ones in settings without noise. We also explore the implications and effects of different notions of noise and discuss circuit topologies that are more / less robust to noise for classification machine learning tasks. Based on the findings we define guidelines for circuit topologies that show near-term promise for the realisation of quantum machine learning algorithms using gate-based NISQ quantum computer.
• Abstract（参考訳）: 機械学習モデルのトレーニングのためのゲートベースの量子回路の開発への関心が高まっている。 しかし、回路設計のパラメータやノイズやその他の測定誤差が量子機械学習モデルの性能に与える影響についてはほとんど理解されていない。 本稿では,いくつかの標準機械学習データセットとibmのqiskitシミュレータを用いて,鍵回路設計パラメータ(量子ビット数,深さなど)の実用的意義について検討する。 合計6500以上のユニークな回路と$n \approx 120700$の個別ランニングを評価した。 一般に、浅い(低深さ)幅(より量子ビット)の回路トポロジーは、ノイズのない設定でより深いトポロジーを上回る傾向にある。 また、異なるノイズ概念の影響や影響について検討し、機械学習タスクの分類においてノイズに対してより強固な回路トポロジについて論じる。 この結果に基づき,ゲート型nisq量子コンピュータを用いた量子機械学習アルゴリズムの実現を短期的に期待できる回路トポロジのガイドラインを定めている。

関連論文リスト

• Machine Learning Methods as Robust Quantum Noise Estimators [0.0]
  従来の機械学習モデルでは、回路構成を分析して量子ノイズを推定する方法を示す。 提案手法は,回路のロバスト性を低い誤差率で正確に予測できることを示す。 これらの技術は、量子コードの品質とセキュリティを評価するために使用することができ、より信頼性の高い量子製品に繋がる。
  論文  参考訳（メタデータ） (2024-09-23T09:00:12Z)
• 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)
• 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)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum Circuits [26.735857677349628]
  変分量子アルゴリズム(VQA)は、短期デバイスに量子上の利点を示すことを約束している。 パラメータ化ゲートを持つ変分回路であるアンサッツの設計は、VQAにとって最重要となる。 トポロジ固有のアンザッツを生成するボトムアップ手法を提案する。
  論文  参考訳（メタデータ） (2022-10-15T04:18:41Z)
• Exploring ab initio machine synthesis of quantum circuits [0.0]
  ゲートレベルの量子回路は、しばしば高レベルアルゴリズムから手動で導かれる。 本稿では,機械内における回路の初期生成手法について検討する。
  論文  参考訳（メタデータ） (2022-06-22T17:48:29Z)
• Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)
• Machine learning of noise-resilient quantum circuits [0.8258451067861933]
  雑音の緩和と低減は、短期量子コンピュータから有用な答えを得るのに不可欠である。 本稿では,量子回路における量子ハードウェアノイズの影響を低減するための機械学習に基づく汎用フレームワークを提案する。 ノイズ対応回路学習(NACL)と呼ばれる手法は、ユニタリ変換を計算したり、量子状態のセットを作成したり、多ビット状態の観測可能な状態を推定したりするために設計された回路に適用される。
  論文  参考訳（メタデータ） (2020-07-02T15:43:32Z)
• Noise robustness and experimental demonstration of a quantum generative adversarial network for continuous distributions [0.5249805590164901]
  連続確率分布を学習するために、ノイズの多いハイブリッド量子生成逆数ネットワーク(HQGAN)を数値シミュレーションする。 また,アルゴリズムの計算スケーリングを削減するために,異なるパラメータがトレーニング時間に与える影響についても検討する。 我々の研究結果は、ノイズの多い中間量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索するための道を開いた。
  論文  参考訳（メタデータ） (2020-06-02T23:14:45Z)
• A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
  我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。 コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
  論文  参考訳（メタデータ） (2020-05-21T17:47:29Z)
• 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。