論文の概要: Machine learning applications for noisy intermediate-scale quantum
computers
- arxiv url: http://arxiv.org/abs/2205.09414v1
- Date: Thu, 19 May 2022 09:26:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-21 03:31:33.400731
- Title: Machine learning applications for noisy intermediate-scale quantum
computers
- Title(参考訳): 雑音中規模量子コンピュータのための機械学習応用
- Authors: Brian Coyle
- Abstract要約: NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。
これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。
近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning has proven to be a fruitful area in which to search
for potential applications of quantum computers. This is particularly true for
those available in the near term, so called noisy intermediate-scale quantum
(NISQ) devices. In this Thesis, we develop and study three quantum machine
learning applications suitable for NISQ computers, ordered in terms of
increasing complexity of data presented to them. These algorithms are
variational in nature and use parameterised quantum circuits (PQCs) as the
underlying quantum machine learning model. The first application area is
quantum classification using PQCs, where the data is classical feature vectors
and their corresponding labels. Here, we study the robustness of certain data
encoding strategies in such models against noise present in a quantum computer.
The second area is generative modelling using quantum computers, where we use
quantum circuit Born machines to learn and sample from complex probability
distributions. We discuss and present a framework for quantum advantage for
such models, propose gradient-based training methods and demonstrate these both
numerically and on the Rigetti quantum computer up to 28 qubits. For our final
application, we propose a variational algorithm in the area of approximate
quantum cloning, where the data becomes quantum in nature. For the algorithm,
we derive differentiable cost functions, prove theoretical guarantees such as
faithfulness, and incorporate state of the art methods such as quantum
architecture search. Furthermore, we demonstrate how this algorithm is useful
in discovering novel implementable attacks on quantum cryptographic protocols,
focusing on quantum coin flipping and key distribution as examples.
- Abstract(参考訳): 量子機械学習は、量子コンピュータの潜在的な応用を探索する実りある分野であることが証明されている。
これは特に短期的に利用可能であり、いわゆるノイズ型中間スケール量子(NISQ)デバイスに当てはまる。
本論文では,NISQコンピュータに適した3つの量子機械学習アプリケーションを開発,研究し,それらに提示されるデータの複雑さの増大を考慮に入れた。
これらのアルゴリズムは本質的に変動し、量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。
第一の応用領域は、古典的特徴ベクトルとその対応するラベルであるPQCを用いた量子分類である。
本稿では,量子コンピュータに存在する雑音に対するデータ符号化戦略のロバスト性について検討する。
第2の領域は量子コンピュータを用いた生成モデリングであり、量子回路生まれの機械を使って複雑な確率分布から学習しサンプルする。
このようなモデルに対する量子アドバンテージの枠組みを議論・提示し、勾配に基づく学習法を提案し、リゲッティ量子コンピュータ上で最大28量子ビットまでの数値計算を行った。
最後の応用として、近似量子クローニングの領域における変分アルゴリズムを提案し、そこではデータが自然に量子化される。
本アルゴリズムでは, 異なるコスト関数を導出し, 忠実性などの理論的保証を証明し, 量子アーキテクチャ探索などの技術手法の状態を取り入れる。
さらに,このアルゴリズムが量子暗号プロトコルに対する新しい実装可能な攻撃を発見し,量子コインのフリップと鍵分布を例に紹介する。
関連論文リスト
- Scalable Quantum Algorithms for Noisy Quantum Computers [0.0]
この論文は、量子計算資源の要求を減らす2つの主要な技術を開発した。
目的は、現在の量子プロセッサでアプリケーションサイズをスケールアップすることだ。
アルゴリズムの応用の主な焦点は量子システムのシミュレーションであるが、開発したサブルーチンは最適化や機械学習の分野でさらに活用することができる。
論文 参考訳(メタデータ) (2024-03-01T19:36:35Z) - 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) - 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) - Expressive Quantum Supervised Machine Learning using Kerr-nonlinear
Parametric Oscillators [0.0]
変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。
近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。
我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
論文 参考訳(メタデータ) (2023-05-01T07:01:45Z) - 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) - Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。
本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文 参考訳(メタデータ) (2022-09-16T02:37:32Z) - Qsun: an open-source platform towards practical quantum machine learning
applications [0.0]
本稿では、量子状態波動関数によって演算を下線化している量子仮想マシンQsunを紹介する。
次に、量子機械学習の代表である量子線形回帰と量子ニューラルネットワークの2つのテストについて報告する。
論文 参考訳(メタデータ) (2021-07-22T09:37:31Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - Distributed Quantum Computing with QMPI [11.71212583708166]
本稿では,分散量子アルゴリズムの高性能実装を実現するために,MPI(Message Passing Interface)の拡張を提案する。
量子MPIの試作実装に加えて,分散量子コンピューティングの性能モデルであるSENDQを提案する。
論文 参考訳(メタデータ) (2021-05-03T18:30:43Z) - 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。