論文の概要: EP-PQM: Efficient Parametric Probabilistic Quantum Memory with Fewer
Qubits and Gates
- arxiv url: http://arxiv.org/abs/2201.07265v1
- Date: Mon, 10 Jan 2022 18:55:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-23 18:16:19.930542
- Title: EP-PQM: Efficient Parametric Probabilistic Quantum Memory with Fewer
Qubits and Gates
- Title（参考訳）: EP-PQM:少ない量子ビットとゲートを持つ高効率パラメトリック確率量子メモリ
- Authors: Mushahid Khan and Jean Paul Latyr Faye and Udson C. Mendes and Andriy
Miranskyy
- Abstract要約: 確率量子メモリ(PQM)とその拡張であるIC PQM(P-PQM)を用いて、量子コンピュータ(QC)上で機械学習タスクを実行することができる。
本稿では、EP-PQMと呼ばれる拡張P-PQMを提案する。EP-PQMは、PQMデータ構造に格納されたデータのラベルエンコーディングを可能にし、データストレージと検索手順の回路深さを低減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) classification tasks can be carried out on a quantum
computer (QC) using Probabilistic Quantum Memory (PQM) and its extension,
Parameteric PQM (P-PQM) by calculating the Hamming distance between an input
pattern and a database of $r$ patterns containing $z$ features with $a$
distinct attributes.
For accurate computations, the feature must be encoded using one-hot
encoding, which is memory-intensive for multi-attribute datasets with $a>2$. We
can easily represent multi-attribute data more compactly on a classical
computer by replacing one-hot encoding with label encoding. However, replacing
these encoding schemes on a QC is not straightforward as PQM and P-PQM operate
at the quantum bit level.
We present an enhanced P-PQM, called EP-PQM, that allows label encoding of
data stored in a PQM data structure and reduces the circuit depth of the data
storage and retrieval procedures. We show implementations for an ideal QC and a
noisy intermediate-scale quantum (NISQ) device.
Our complexity analysis shows that the EP-PQM approach requires $O\left(z
\log_2(a)\right)$ qubits as opposed to $O(za)$ qubits for P-PQM. EP-PQM also
requires fewer gates, reducing gate count from $O\left(rza\right)$ to
$O\left(rz\log_2(a)\right)$.
For five datasets, we demonstrate that training an ML classification model
using EP-PQM requires 48% to 77% fewer qubits than P-PQM for datasets with
$a>2$. EP-PQM reduces circuit depth in the range of 60% to 96%, depending on
the dataset. The depth decreases further with a decomposed circuit, ranging
between 94% and 99%.
EP-PQM requires less space; thus, it can train on and classify larger
datasets than previous PQM implementations on NISQ devices. Furthermore,
reducing the number of gates speeds up the classification and reduces the noise
associated with deep quantum circuits. Thus, EP-PQM brings us closer to
scalable ML on a NISQ device.
- Abstract（参考訳）: 機械学習(ML)分類タスクは、確率量子メモリ(PQM)とその拡張であるパラメータPQM(P-PQM)を用いて、入力パターンと$z$特徴を含む$r$パターンのデータベースとのハミング距離を計算することにより、量子コンピュータ(QC)上で実行することができる。
正確な計算のためには、この機能は、$a>2$のマルチ属性データセットに対してメモリ集約的なone-hotエンコーディングを使用してエンコードする必要がある。
シングルホットエンコーディングをラベルエンコーディングに置き換えることで、従来のコンピュータ上でよりコンパクトにマルチ属性データを表現できる。
しかし、量子ビットレベルでPQMとP-PQMが動作するため、これらの符号化スキームをQCで置き換えることは簡単ではない。
EP-PQMと呼ばれる拡張されたP-PQMは、PQMデータ構造に格納されたデータのラベルエンコーディングを可能にし、データストレージと検索手順の回路深さを低減する。
理想的なqcとノイズの多い中間スケール量子(nisq)デバイスの実装を示す。
我々の複雑性解析は、P-PQM に対して$O(za)$ qubits ではなく$O\left(z \log_2(a)\right)$ qubits を必要とすることを示している。
EP-PQMはゲート数を$O\left(rza\right)$から$O\left(rz\log_2(a)\right)$に減らす。
5つのデータセットに対して、EP-PQMを用いたML分類モデルのトレーニングでは、$a>2$のデータセットの場合、P-PQMよりも48%から77%少ないキュービットが必要であることを示した。
EP-PQMは、データセットに応じて60%から96%の範囲の回路深度を減少させる。
分解された回路では、深さは94%から99%まで減少する。
EP-PQMは、より少ないスペースを必要とするため、NISQデバイス上の以前のPQM実装よりも大きなデータセットをトレーニングし、分類することができる。
さらに、ゲート数の削減は、分類を高速化し、ディープ量子回路に関連するノイズを低減する。
したがって、EP-PQMは、NISQデバイス上のスケーラブルなMLに近づきます。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - EfficientQAT: Efficient Quantization-Aware Training for Large Language Models [50.525259103219256]
量子化対応トレーニング(QAT)は、低ビット表現によるメモリ消費を最小限の精度で削減することで、ソリューションを提供する。
より有効なQATアルゴリズムであるEfficient QAT(Efficient Quantization-Aware Training)を提案する。
効率的なQATは、全てのパラメータのブロックワイドトレーニング(Block-AP)と量子化パラメータのエンドツーエンドトレーニング(E2E-QP)の2つのフェーズを含む。
論文 参考訳（メタデータ） (2024-07-10T17:53:30Z) - Non-parametric Greedy Optimization of Parametric Quantum Circuits [2.77390041716769]
本研究の目的は、パラメトリックゲートを近似的に固定された非パラメトリック表現に置き換えることで、PQCの深さとゲート数を削減することである。
約14%の深さ減少と48%のゲート数減少を3.33%の精度で観測した。
論文 参考訳（メタデータ） (2024-01-27T15:29:38Z) - Parametrized Quantum Circuits and their approximation capacities in the
context of quantum machine learning [1.3108652488669736]
パラメタライズド量子回路(パラメタライズド量子回路、PQC)は、固定ゲートとパラメタライズドゲートの両方からなる量子回路である。
PQCs は連続函数の空間、$p$可積分函数、および$Hk$ソボレフ空間を特定の距離で近似できることを示す。
論文 参考訳（メタデータ） (2023-07-27T11:43:08Z) - End-to-end resource analysis for quantum interior point methods and portfolio optimization [63.4863637315163]
問題入力から問題出力までの完全な量子回路レベルのアルゴリズム記述を提供する。
アルゴリズムの実行に必要な論理量子ビットの数と非クリフォードTゲートの量/深さを報告する。
論文 参考訳（メタデータ） (2022-11-22T18:54:48Z) - Efficient Mean-Field Simulation of Quantum Circuits Inspired by Density
Functional Theory [1.3561290928375374]
量子回路(QC)の正確なシミュレーションは、現在$sim$50 qubitsに制限されている。
ここでは密度汎関数理論(DFT)にインスパイアされたQCのシミュレーションを示す。
我々の計算では、共通ゲートセットを持つ複数のQCのクラスにおいて、90%以上の精度で限界単一量子ビット確率を予測できる。
論文 参考訳（メタデータ） (2022-10-29T02:12:15Z) - SDQ: Stochastic Differentiable Quantization with Mixed Precision [46.232003346732064]
本稿では,MPQ戦略を自動的に学習できる新しい微分可能量子化(SDQ)手法を提案する。
最適なMPQ戦略が得られた後、エントロピーを意識したビン正規化と知識蒸留でネットワークを訓練する。
SDQは、最先端の混合データセット、または低いビット幅で単一精度の量子化よりも優れている。
論文 参考訳（メタデータ） (2022-06-09T12:38:18Z) - Dimensional Expressivity Analysis, best-approximation errors, and
automated design of parametric quantum circuits [0.13980986259786224]
これらの手順で議論された次元的表現性分析は、これらの反作用に対処する手段である。
物理状態空間の次元を知ることで、PQCがすべての物理状態に到達できるかどうかを推定することができる。
この実装はアルゴリズムの古典的部分と量子的部分の両方において比較的小さなオーバーヘッドコストを持ち、将来はオンザフライ回路構築に使用できる。
論文 参考訳（メタデータ） (2021-11-22T19:30:54Z) - Towards Efficient Post-training Quantization of Pre-trained Language
Models [85.68317334241287]
PLMのポストトレーニング量子化(PTQ)について検討し,モジュール単位の量子化誤差最小化(MREM)を提案する。
GLUEとSQuADベンチマークの実験により、提案したPTQソリューションはQATに近く動作するだけでなく、トレーニング時間、メモリオーバーヘッド、データ消費を大幅に削減できることがわかった。
論文 参考訳（メタデータ） (2021-09-30T12:50:06Z) - Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。
後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。
近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文 参考訳（メタデータ） (2020-07-29T05:26:19Z) - Parametric Probabilistic Quantum Memory [1.412197703754359]
確率量子メモリ(Probabilistic Quantum Memory, PQM)は、メモリ上の重畳に格納されたバイナリパターンからの距離を計算するデータ構造である。
本研究では,パターン分類を行うためのPQMのパラメトリックバージョンを提案する。
また、ノイズ中間スケール量子(NISQ)コンピュータに適したPQM量子回路を提案する。
論文 参考訳（メタデータ） (2020-01-11T11:41:05Z)
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。