論文の概要: Practical Quantum K-Means Clustering: Performance Analysis and
Applications in Energy Grid Classification
- arxiv url: http://arxiv.org/abs/2112.08506v2
- Date: Sun, 11 Sep 2022 15:01:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-04 11:29:48.334632
- Title: Practical Quantum K-Means Clustering: Performance Analysis and
Applications in Energy Grid Classification
- Title（参考訳）: 実用的量子K平均クラスタリング:エネルギーグリッド分類における性能解析と応用
- Authors: Stephen DiAdamo, Corey O'Meara, Giorgio Cortiana, Juan
Bernab\'e-Moreno
- Abstract要約: ノイズの多いハードウェアによる落とし穴を回避するために,量子$k$-meansクラスタリングの汎用的で競争的で並列化されたバージョンを提案する。
実世界のドイツの電力グリッドデータを用いて、従来のアルゴリズムのラベル付けに関して、新しい手法は標準量子$k$-meansクラスタリングのバランスの取れた精度を67.8%向上させることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we aim to solve a practical use-case of unsupervised clustering
which has applications in predictive maintenance in the energy operations
sector using quantum computers. Using only cloud access to quantum computers,
we complete a thorough performance analysis of what some current quantum
computing systems are capable of for practical applications involving
non-trivial mid-to-high dimensional datasets. We first benchmark how well
distance estimation can be performed using two different metrics based on the
swap-test, using angle and amplitude data embedding. Next, for the clustering
performance analysis, we generate sets of synthetic data with varying cluster
variance and compare simulation to physical hardware results using the two
metrics. From the results of this performance analysis, we propose a general,
competitive, and parallelized version of quantum $k$-means clustering to avoid
some pitfalls discovered due to noisy hardware and apply the approach to a real
energy grid clustering scenario. Using real-world German electricity grid data,
we show that the new approach improves the balanced accuracy of the standard
quantum $k$-means clustering by $67.8\%$ with respect to the labeling of the
classical algorithm.
- Abstract（参考訳）: 本研究では,量子コンピュータを用いたエネルギー運用分野の予測保守に応用可能な,教師なしクラスタリングの実用的利用事例について考察する。
量子コンピュータへのクラウドアクセスのみを使用して、非自明な中高次元データセットを含む実用的な応用のために、現在の量子コンピューティングシステムで何ができるかを徹底的に解析する。
まず,スワップテストに基づく2つの測定値を用いて,角度と振幅データ埋め込みを用いた距離推定の精度をベンチマークした。
次に,クラスタ化性能解析のために,クラスタ分散の異なる合成データのセットを生成し,この2つのメトリクスを用いた物理ハードウェア結果と比較する。
この性能分析の結果から、ノイズの多いハードウェアによって発見された落とし穴を避けるために、量子$k$-meansクラスタリングの汎用的で競争的で並列化されたバージョンを提案し、実際のエネルギーグリッドクラスタリングシナリオにアプローチを適用する。
実世界のドイツの電力グリッドデータを用いて、従来のアルゴリズムのラベル付けに関して、新しい手法は標準量子$k$-meansクラスタリングのバランスの取れた精度を67.8 %$に改善することを示した。
関連論文リスト
- 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) - Big data applications on small quantum computers [0.0]
コアセットは大きなデータセットの簡潔な記述を可能にし、計算タスクにおけるそのソリューションは、元のデータセットのソリューションと競合する。
本稿では,3種類の古典的機械学習問題,すなわちDivisive Clustering, 3-means Clustering, Gaussian Model Clusteringに適用する。
提案手法は古典的解法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2024-02-02T16:15:55Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。
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。
これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
論文 参考訳（メタデータ） (2023-10-18T17:59:45Z) - 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) - Variational Quantum and Quantum-Inspired Clustering [0.0]
本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。
このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
論文 参考訳（メタデータ） (2022-06-20T17:02:19Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳（メタデータ） (2022-01-21T16:35:35Z) - Binary classifiers for noisy datasets: a comparative study of existing
quantum machine learning frameworks and some new approaches [0.0]
バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。
ノイズの多いデータセットは 財務的なデータセットの中にあります
新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
論文 参考訳（メタデータ） (2021-11-05T10:29:05Z) - 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) - Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。
MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文 参考訳（メタデータ） (2020-12-08T01:10:30Z) - Coreset Clustering on Small Quantum Computers [3.4075213885825377]
Harrow氏の最近の研究は、ハイブリッド量子古典計算における新しいパラダイムを導入している。
このパラダイムを用いて、短期量子コンピュータ上で$k$-meansクラスタリングを行う。
私たちは、コアセットとQAOAの両方がうまく機能するデータセットを見つけます。
論文 参考訳（メタデータ） (2020-04-30T17:19:19Z) - Small quantum computers and large classical data sets [2.8174125805742416]
本稿では,大規模古典データセット X とモデル Y の空間に関する問題に対して,ハイブリッド古典量子アルゴリズムを提案する。
これらのアルゴリズムは、X の重み付き部分集合を構成するためにデータ還元技術を使用し、各モデルにほぼ同じ損失をもたらすコアセットである。
具体的な応用としては、k平均クラスタリング、論理回帰、ゼロサムゲーム、ブースティングなどがある。
論文 参考訳（メタデータ） (2020-03-31T18:00:16Z)
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。