論文の概要: Quantum algorithm for neural network enhanced multi-class parallel
classification
- arxiv url: http://arxiv.org/abs/2203.04097v1
- Date: Tue, 8 Mar 2022 14:06:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 20:04:30.713990
- Title: Quantum algorithm for neural network enhanced multi-class parallel
classification
- Title（参考訳）: ニューラルネットワーク強化多クラス並列分類のための量子アルゴリズム
- Authors: Anqi Zhang, Xiaoyun He, Shengmei Zhao
- Abstract要約: 提案アルゴリズムは,高い分類精度,高速収束,表現能力を有する。
L$クラスの分類タスクでは、量子回路の空間と時間の複雑さはそれぞれ$O(L*logL)$と$O(logL)$である。
- 参考スコア（独自算出の注目度）: 0.3314882635954752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Using the properties of quantum superposition, we propose a quantum
classification algorithm to efficiently perform multi-class classification
tasks, where the training data are loaded into parameterized operators which
are applied to the basis of the quantum state in quantum circuit composed by
\emph{sample register} and \emph{label register}, and the parameters of quantum
gates are optimized by a hybrid quantum-classical method, which is composed of
a trainable quantum circuit and a gradient-based classical optimizer. After
several quantum-to-class repetitions, the quantum state is optimal that the
state in \emph{sample register} is the same as that in \emph{label register}.
%A structure of loading data many times is performed as a quantum version of
neural network to improve the expression ability of quantum circuit. For a
classification task of $L$-class, the analysis shows that the space and time
complexity of the quantum circuit are $O(L*logL)$ and $O(logL)$, respectively.
The numerical simulation results of 2-class task and 5-class task show that the
proposed algorithm has a higher classification accuracy, faster convergence and
higher expression ability. The classification accuracy and the speed of
converging can also be improved by increasing the number times of applying
multi-qubit controlled operators on the quantum circuit, especially for
multiple classes classification.
- Abstract（参考訳）: Using the properties of quantum superposition, we propose a quantum classification algorithm to efficiently perform multi-class classification tasks, where the training data are loaded into parameterized operators which are applied to the basis of the quantum state in quantum circuit composed by \emph{sample register} and \emph{label register}, and the parameters of quantum gates are optimized by a hybrid quantum-classical method, which is composed of a trainable quantum circuit and a gradient-based classical optimizer.
いくつかの量子-クラス反復の後、量子状態は \emph{sample register} の状態が \emph{label register} の状態と同じであるように最適である。
%A データのロード構造をニューラルネットワークの量子バージョンとして繰り返し行い、量子回路の表現能力を向上させる。
L$クラスの分類タスクでは、量子回路の空間と時間の複雑さはそれぞれ$O(L*logL)$と$O(logL)$である。
2-classタスクと5-classタスクの数値シミュレーション結果から,提案アルゴリズムは高い分類精度,高速収束,表現能力を有することが示された。
量子回路上にマルチ量子ビット制御演算子を適用する回数を増加させることで、特に複数のクラス分類において、分類精度と収束速度を向上させることができる。
関連論文リスト
- Quantum machine learning for multiclass classification beyond kernel methods [21.23851138896271]
本稿では,実世界の応用において,量子カーネル法がマルチクラス分類の効率を高めることを示す量子アルゴリズムを提案する。
量子シミュレーションの結果、量子アルゴリズムは6つの現実世界の分類問題に対処する点で古典的よりも優れていたことが判明した。
論文 参考訳（メタデータ） (2024-11-05T08:58:30Z) - 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) - Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳（メタデータ） (2024-06-17T18:20:51Z) - Quadratic speed-ups in quantum kernelized binary classification [1.3812010983144802]
量子カーネルをデータ間の類似性の尺度として使用するいくつかの量子機械学習アルゴリズムが登場し、量子状態として符号化されたデータセットのバイナリ分類を実行するようになった。
本稿では,QKCに対する新しい量子回路を提案し,量子ビットの数を1つ減らし,サンプルデータに対して回路深さを線形に減らした。
Irisデータセットの数値シミュレーションにより,従来の手法よりも2次的な高速化を検証した。
論文 参考訳（メタデータ） (2024-03-26T07:39:48Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - 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 hybrid quantum-classical classifier based on branching multi-scale
entanglement renormalization ansatz [5.548873288570182]
本稿では,ラベル伝搬に基づく量子半教師付き分類器を提案する。
グラフ構築の難しさを考慮し,変分量子ラベル伝搬法(VQLP)を開発した。
本手法では、最適化に必要なパラメータを減らすために、局所パラメータ化量子回路を作成する。
論文 参考訳（メタデータ） (2023-03-14T13:46:45Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - Analog quantum variational embedding classifier [8.445680783099196]
アナログ量子コンピュータを用いたゲート型変分埋め込み分類器を提案する。
性能が飽和し変動するまでのキュービット数を増やすことで分類器の性能を向上させることができる。
提案アルゴリズムは,現実的な機械学習問題を解決するために,現在の量子アニールを用いた可能性を示す。
論文 参考訳（メタデータ） (2022-11-04T20:58:48Z) - Optimal quantum kernels for small data classification [0.0]
本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。
少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
論文 参考訳（メタデータ） (2022-03-25T18:26:44Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z)
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。