論文の概要: Synergic quantum generative machine learning
- arxiv url: http://arxiv.org/abs/2112.13255v3
- Date: Tue, 13 Dec 2022 09:26:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 07:30:42.779416
- Title: Synergic quantum generative machine learning
- Title(参考訳): 同期型量子生成機械学習
- Authors: Karol Bartkiewicz, Patrycja Tulewicz, Jan Roik, Karel Lemr
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a new approach towards generative quantum machine learning
significantly reducing the number of hyperparameters and report on a
proof-of-principle experiment demonstrating our approach. Our proposal depends
on collaboration between the generators and discriminator, thus, we call it
quantum synergic generative learning. We present numerical evidence that the
synergic approach, in some cases, compares favorably to recently proposed
quantum generative adversarial learning. In addition to the results obtained
with quantum simulators, we also present experimental results obtained with an
actual programmable quantum computer. We investigate how a quantum computer
implementing generative learning algorithm could learn the concept of a Bell
state. After completing the learning process, the network is able both to
recognize and to generate an entangled state. Our approach can be treated as
one possible preliminary step to understanding how the concept of quantum
entanglement can be learned and demonstrated by a quantum computer.
- Abstract(参考訳): 生成量子機械学習への新しいアプローチを導入し、ハイパーパラメータの数を著しく削減し、我々のアプローチを実証する実証実験について報告する。
本提案は,ジェネレータと判別器の協調に依存するため,量子シナジー生成学習(quantum synergic generative learning)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。
生成学習アルゴリズムを実装した量子コンピュータがベル状態の概念を学習する方法を検討する。
学習プロセスが完了すると、ネットワークは認識し、絡み合った状態を生成することができる。
量子エンタングルメントの概念が量子コンピュータによってどのように学習され、実証されるかを理解するための予備的な段階として扱うことができる。
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) - 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) - 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) - How to enhance quantum generative adversarial learning of noisy
information [5.8010446129208155]
最適化プロセス中にどのような異なるトレーニング問題が発生するかを示す。
我々は,どのオペレーティング・システムにおいても,より高速な収束を実現するための新しい戦略を提案する。
本研究は,このようなハイブリッド古典量子プロトコルの実験的実験の道を開くものである。
論文 参考訳(メタデータ) (2020-12-10T21:48:26Z) - 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) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳(メタデータ) (2020-10-13T06:57:17Z) - 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) - Quantum machine learning and quantum biomimetics: A perspective [0.0]
量子機械学習は、量子技術の中でエキサイティングで有望なパラダイムとして登場した。
本稿では,これらのトピックについて概観し,科学コミュニティが実施した関連研究について述べる。
論文 参考訳(メタデータ) (2020-04-25T07:45:20Z) - 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。