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
- 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) - 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) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - 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) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - 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)
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。