論文の概要: A quantum generative model for multi-dimensional time series using Hamiltonian learning

• arxiv url: http://arxiv.org/abs/2204.06150v1
• Date: Wed, 13 Apr 2022 03:06:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 23:04:10.002636
• Title: A quantum generative model for multi-dimensional time series using Hamiltonian learning
• Title（参考訳）: ハミルトン学習を用いた多次元時系列の量子生成モデル
• Authors: Haim Horowitz, Pooja Rao, Santosh Kumar Radha
• Abstract要約: このような特徴を符号化する手法として,量子力学のシミュレートに量子コンピュータの本質的性質を用いることを提案する。 学習したモデルを用いて、サンプル外の時系列を生成し、学習した時系列のユニークで複雑な特徴をキャプチャすることを示す。 提案手法を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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic data generation has proven to be a promising solution for addressing data availability issues in various domains. Even more challenging is the generation of synthetic time series data, where one has to preserve temporal dynamics, i.e., the generated time series must respect the original relationships between variables across time. Recently proposed techniques such as generative adversarial networks (GANs) and quantum-GANs lack the ability to attend to the time series specific temporal correlations adequately. We propose using the inherent nature of quantum computers to simulate quantum dynamics as a technique to encode such features. We start by assuming that a given time series can be generated by a quantum process, after which we proceed to learn that quantum process using quantum machine learning. We then use the learned model to generate out-of-sample time series and show that it captures unique and complex features of the learned time series. We also study the class of time series that can be modeled using this technique. Finally, we experimentally demonstrate the proposed algorithm on an 11-qubit trapped-ion quantum machine.
• Abstract（参考訳）: 合成データ生成は、さまざまなドメインのデータ可用性問題に対処するための有望なソリューションであることが証明されている。 さらに難しいのは合成時系列データの生成であり、時間的ダイナミクス、すなわち生成された時系列は時間を通して変数間の元の関係を尊重しなければならない。 最近提案されたgenerative adversarial networks (gans) やquantum-gansといった手法は、時系列特有の時間的相関に適切に対応できない。 このような特徴を符号化する手法として,量子力学をシミュレートするために,量子コンピュータの性質を用いる。 まず、与えられた時系列が量子プロセスによって生成されると仮定し、その後、量子機械学習を用いて量子プロセスを学ぶ。 次に、学習したモデルを用いてサンプル外の時系列を生成し、学習した時系列のユニークな複雑な特徴をキャプチャすることを示す。 また,この手法を用いてモデル化できる時系列のクラスについても検討する。 最後に,11量子ビットトラップイオン量子マシン上で提案アルゴリズムを実験的に実証した。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Density Matrix Emulation of Quantum Recurrent Neural Networks for Multivariate Time Series Prediction [0.07499722271664144]
  量子リカレントニューラルネットワーク(QRNN)は、多変量時系列の将来の値をモデル化し予測するための頑健な候補である。 QRNNが複雑な入力系列の非自明なパターンを捉えることで、将来の値の正確な予測を行う方法を示す。
  論文  参考訳（メタデータ） (2023-10-31T17:32:11Z)
• Parallel-in-time quantum simulation via Page and Wootters quantum time [0.0]
  本稿では,Page および Wooters 形式に着想を得た並列時間シミュレーションのための量子アルゴリズムを提案する。 提案アルゴリズムは,多体システムの時間特性をN$の異なる時間で計算できることを示す。 システムキュービットとクロックキュービットの間に生じる絡み合いが運用上の意味があることを厳密に証明する。
  論文  参考訳（メタデータ） (2023-08-24T17:32:41Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• 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)
• A walk through of time series analysis on quantum computers [0.0]
  古典的なデータ前処理とARIMAモデルによる予測の量子アナログを網羅する。 本稿では,今後の方向性と,量子コンピュータ上での時間的データ解析に使用できるツールやアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2022-05-02T15:32:22Z)
• Algebraic Compression of Quantum Circuits for Hamiltonian Evolution [52.77024349608834]
  時間依存ハミルトニアンの下でのユニタリ進化は、量子ハードウェアにおけるシミュレーションの重要な構成要素である。 本稿では、トロッターステップを1ブロックの量子ゲートに圧縮するアルゴリズムを提案する。 この結果、ハミルトニアンのある種のクラスに対する固定深度時間進化がもたらされる。
  論文  参考訳（メタデータ） (2021-08-06T19:38:01Z)
• Online quantum time series processing with random oscillator networks [0.0]
  貯留層コンピューティングは、オンライン時系列処理のための強力な機械学習パラダイムである。 本稿では,量子情報からなる時系列のオンライン処理に対する貯水池型計算手法を提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:06:38Z)
• Imaginary Time Propagation on a Quantum Chip [50.591267188664666]
  想像時間における進化は、量子多体系の基底状態を見つけるための顕著な技術である。 本稿では,量子コンピュータ上での仮想時間伝搬を実現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-24T12:48:00Z)
• Learning temporal data with variational quantum recurrent neural network [0.5658123802733283]
  パラメタライズド量子回路を用いて時間データを学習する手法を提案する。 この研究は、時間データの学習に複雑な量子力学を利用する方法を提供する。
  論文  参考訳（メタデータ） (2020-12-21T10:47:28Z)

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。