論文の概要: Optimal quantum kernels for small data classification

• arxiv url: http://arxiv.org/abs/2203.13848v1
• Date: Fri, 25 Mar 2022 18:26:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 17:26:10.797394
• Title: Optimal quantum kernels for small data classification
• Title（参考訳）: 小型データ分類のための最適量子カーネル
• Authors: Elham Torabian and Roman V. Krems
• Abstract要約: 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。
• 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: While quantum machine learning (ML) has been proposed to be one of the most promising applications of quantum computing, how to build quantum ML models that outperform classical ML remains a major open question. Here, we demonstrate an algorithm for constructing quantum kernels for support vector machines that adapts quantum gate sequences to data. The algorithm includes three essential ingredients: greedy search in the space of quantum circuits, Bayesian information criterion as circuit selection metric and Bayesian optimization of the parameters of the optimal quantum circuit identified. The performance of the resulting quantum models for classification problems with a small number of training points significantly exceeds that of optimized classical models with conventional kernels. In addition, we illustrate the possibility of mapping quantum circuits onto molecular fingerprints and show that performant quantum kernels can be isolated in the resulting chemical space. This suggests that methods developed for optimization and interpolation of molecular properties across chemical spaces can be used for building quantum circuits for quantum machine learning with enhanced performance.
• Abstract（参考訳）: 量子機械学習(ml)は量子コンピューティングの最も有望な応用の1つとして提案されているが、古典的mlを上回る量子mlモデルの構築方法は依然として大きな疑問である。 本稿では,量子ゲートシーケンスをデータに適用する支援ベクターマシンのための量子カーネル構築アルゴリズムを示す。 このアルゴリズムは3つの必須成分を含む: 量子回路空間における欲望探索、回路選択計量としてのベイズ情報基準、同定された最適量子回路のパラメータのベイズ最適化。 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、従来のカーネルを持つ最適化された古典モデルよりも著しく高い。 さらに, 量子回路を分子指紋にマッピングする可能性を示し, 結果として得られる化学空間において, 高性能量子カーネルを分離できることを示す。 このことは、化学空間をまたいだ分子特性の最適化と補間のために開発された手法が、量子機械学習のための量子回路の構築に利用できることを示唆している。

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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Several fitness functions and entanglement gates in quantum kernel generation [3.6953740776904924]
  量子力学の基本的な概念である絡み合いは、量子コンピューティングにおいて中心的な役割を果たす。 多目的遺伝的アルゴリズムを用いて量子カーネル特徴写像における絡み合いゲートの最適個数について検討する。 我々の発見は、量子機械学習アルゴリズムの効率性と精度を高めるための貴重なガイダンスを提供する。
  論文  参考訳（メタデータ） (2023-08-22T18:35:51Z)
• 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)
• On-the-fly Tailoring towards a Rational Ansatz Design for Digital Quantum Simulations [0.0]
  量子デバイスで物理的に実現可能な低深さ量子回路を開発することが不可欠である。 我々は,最適なアンサッツを動的に調整できるアンサッツ構成プロトコルを開発した。 アンザッツの構成は、エネルギーソートと演算子の可換性事前スクリーニングによって並列量子アーキテクチャで実行される可能性がある。
  論文  参考訳（メタデータ） (2023-02-07T11:22:01Z)
• Variational Quantum Kernels with Task-Specific Quantum Metric Learning [0.8722210937404288]
  カーネル法は、より高次元(おそらく無限)な特徴空間における点間の類似性の概念に依存している。 最適な量子埋め込みを生成するために,変分量子カーネルとタスク固有量子量子学習について論じる。
  論文  参考訳（メタデータ） (2022-11-08T18:36:25Z)
• Parameterized Quantum Circuits with Quantum Kernels for Machine Learning: A Hybrid Quantum-Classical Approach [0.8722210937404288]
  Kernel ized Quantum Circuits (PQCs) は一般に量子機械学習(QML)へのハイブリッドアプローチで使用される。 我々は、PQCと量子カーネルの重要な側面として、PQC、量子カーネル、量子アドバンテージを持つ量子カーネル、量子カーネルのトレーニング可能性について論じる。
  論文  参考訳（メタデータ） (2022-09-28T22:14:41Z)
• An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
  量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。 この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
  論文  参考訳（メタデータ） (2022-05-11T12:10:52Z)
• Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
  本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。 特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
  論文  参考訳（メタデータ） (2021-12-27T21:15:35Z)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• Electronic structure with direct diagonalization on a D-Wave quantum annealer [62.997667081978825]
  本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。 そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
  論文  参考訳（メタデータ） (2020-09-02T22:46:47Z)

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。