論文の概要: Error mitigation for quantum kernel based machine learning methods on IonQ and IBM quantum computers

• arxiv url: http://arxiv.org/abs/2206.01573v3
• Date: Mon, 4 Jul 2022 09:26:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 20:16:51.831198
• Title: Error mitigation for quantum kernel based machine learning methods on IonQ and IBM quantum computers
• Title（参考訳）: 量子カーネルに基づくIonQおよびIBM量子コンピュータ上の機械学習手法の誤り軽減
• Authors: Sasan Moradi, Christoph Brandner, Macauley Coggins, Robert Wille, Wolfgang Drexler, Laszlo Papp
• Abstract要約: 2つの量子カーネル機械学習(ML)アルゴリズムを用いて、乳がんデータセットのラベルを2つの異なる量子デバイス上で予測する。 この結果から,エラー低減量子カーネル機械学習アルゴリズムの予測性能は,非エラー緩和アルゴリズムと比較して有意に向上した。
• 参考スコア（独自算出の注目度）: 1.7555138234411651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kernel methods are the basis of most classical machine learning algorithms such as Gaussian Process (GP) and Support Vector Machine (SVM). Computing kernels using noisy intermediate scale quantum (NISQ) devices has attracted considerable attention due to recent progress in the design of NISQ devices. However noise and errors on current NISQ devices can negatively affect the predicted kernels. In this paper we utilize two quantum kernel machine learning (ML) algorithms to predict the labels of a Breast Cancer dataset on two different NISQ devices: quantum kernel Gaussian Process (qkGP) and quantum kernel Support Vector Machine (qkSVM). We estimate the quantum kernels on the 11 qubit IonQ and the 5 qubit IBMQ Belem quantum devices. Our results demonstrate that the predictive performances of the error mitigated quantum kernel machine learning algorithms improve significantly compared to their non-error mitigated counterparts. On both NISQ devices the predictive performances became comparable to those of noiseless quantum simulators and their classical counterparts
• Abstract（参考訳）: Kernelメソッドは、Gaussian Process(GP)やSupport Vector Machine(SVM)など、ほとんどの古典的な機械学習アルゴリズムの基礎である。 ノイズの多い中間スケール量子(NISQ)デバイスを用いた計算カーネルは、最近のNISQデバイスの設計の進歩により注目されている。 しかし、現在のNISQデバイスのノイズやエラーは予測されたカーネルに悪影響を及ぼす可能性がある。 本稿では、2つの量子カーネル機械学習(ML)アルゴリズムを用いて、2つの異なるNISQデバイス(量子カーネルガウスプロセス(qkGP)と量子カーネルサポートベクトルマシン(qkSVM))上で、乳がんデータセットのラベルを予測する。 我々は11キュービットのIonQと5キュービットのIBMQ Belem量子デバイス上の量子カーネルを推定する。 この結果から,エラー低減量子カーネル機械学習アルゴリズムの予測性能は,非エラー緩和アルゴリズムと比較して有意に向上した。 どちらのNISQデバイスでも、予測性能はノイズレス量子シミュレータとその古典的シミュレータと同等になった。

関連論文リスト

• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel [0.0]
  異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。 本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。 量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
  論文  参考訳（メタデータ） (2023-08-01T15:00:14Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)
• Improving Quantum Classifier Performance in NISQ Computers by Voting Strategy from Ensemble Learning [9.257859576573942]
  量子アルゴリズムでは、量子デコヒーレンスと量子ゲートのインプレクションによって大きな誤差率が発生する。 本研究では,アンサンブル量子分類器を複数投票で最適化することを提案する。
  論文  参考訳（メタデータ） (2022-10-04T14:59:58Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Investigation of Quantum Support Vector Machine for Classification in NISQ era [0.0]
  本稿では,量子支援ベクトルマシン(QSVM)アルゴリズムとその回路バージョンについて検討する。 量子回路におけるトレーニングおよびテストデータサンプルを符号化し,QSVM回路実装手法の効率性を計算する。 我々は、現在のNISQデバイスにQSVMアルゴリズムを適用する際に直面する技術的困難を強調した。
  論文  参考訳（メタデータ） (2021-12-13T18:59:39Z)
• Higgs analysis with quantum classifiers [0.0]
  我々は、$tbartH(bbarb)$分類問題に対する2つの量子分類器モデルを開発した。 この結果は、量子機械学習(QML)メソッドが類似あるいはより良い性能を持つことができるという概念の証明として役立ちます。
  論文  参考訳（メタデータ） (2021-04-15T18:01:51Z)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。 我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。