論文の概要: Copula-based Risk Aggregation with Trapped Ion Quantum Computers
- arxiv url: http://arxiv.org/abs/2206.11937v1
- Date: Thu, 23 Jun 2022 18:39:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 06:56:24.007429
- Title: Copula-based Risk Aggregation with Trapped Ion Quantum Computers
- Title（参考訳）: copulaに基づくイオン量子コンピュータによるリスクアグリゲーション
- Authors: Daiwei Zhu, Weiwei Shen, Annarita Giani, Saikat Ray Majumder, Bogdan
Neculaes, Sonika Johri
- Abstract要約: コプラは、合同確率分布をモデル化するための数学的ツールである。
コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。
シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
- 参考スコア（独自算出の注目度）: 1.541403735141431
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Copulas are mathematical tools for modeling joint probability distributions.
Since copulas enable one to conveniently treat the marginal distribution of
each variable and the interdependencies among variables separately, in the past
60 years they have become an essential analysis tool on classical computers in
various fields ranging from quantitative finance and civil engineering to
signal processing and medicine. The recent finding that copulas can be
expressed as maximally entangled quantum states has revealed a promising
approach to practical quantum advantages: performing tasks faster, requiring
less memory, or, as we show, yielding better predictions. Studying the
scalability of this quantum approach as both the precision and the number of
modeled variables increase is crucial for its adoption in real-world
applications. In this paper, we successfully apply a Quantum Circuit Born
Machine (QCBM) based approach to modeling 3- and 4-variable copulas on trapped
ion quantum computers. We study the training of QCBMs with different levels of
precision and circuit design on a simulator and a state-of-the-art trapped ion
quantum computer. We observe decreased training efficacy due to the increased
complexity in parameter optimization as the models scale up. To address this
challenge, we introduce an annealing-inspired strategy that dramatically
improves the training results. In our end-to-end tests, various configurations
of the quantum models make a comparable or better prediction in risk
aggregation tasks than the standard classical models. Our detailed study of the
copula paradigm using quantum computing opens opportunities for its deployment
in various industries.
- Abstract（参考訳）: copula は合同確率分布をモデル化するための数学的ツールである。
コプラは各変数の限界分布と変数間の相互依存性を別々に扱うことができるため、過去60年間では量的金融や土木工学、信号処理や医学など様々な分野の古典的コンピュータで不可欠な分析ツールとなっている。
コプラが最大に絡み合った量子状態として表現できるという最近の発見は、実用的な量子的利点への有望なアプローチを明らかにした。
この量子アプローチのスケーラビリティを、精度とモデル変数の数の増加の両方として研究することは、現実のアプリケーションで採用するために重要である。
本稿では,量子回路ボルンマシン(QCBM)をベースとした3変数および4変数のコプラを捕捉したイオン量子コンピュータ上でのモデリングに成功している。
シミュレーションと最先端の閉じ込め型イオン量子コンピュータを用いた、精度と回路設計の異なるqcbmのトレーニングについて検討した。
モデルのスケールアップに伴うパラメータ最適化の複雑さの増加により,トレーニング効果の低下が観察された。
この課題に対処するために,アニーリングに触発された戦略を導入し,トレーニング結果を劇的に改善する。
エンドツーエンドのテストでは、量子モデルの様々な構成が、標準の古典モデルよりもリスク集約タスクに匹敵する、あるいはより良い予測をする。
量子コンピューティングを用いたコプラパラダイムの詳細な研究により,様々な産業に展開する機会が開ける。
関連論文リスト
- Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。
分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。
SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-12-12T17:35:36Z) - Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳（メタデータ） (2024-11-13T12:03:39Z) - Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。
我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
論文 参考訳（メタデータ） (2024-09-15T22:44:09Z) - 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) - Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳（メタデータ） (2024-07-02T18:00:00Z) - Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
本稿では,量子回路実行の並列化モデルを提案する。
このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
論文 参考訳（メタデータ） (2024-06-05T17:16:07Z) - Quantum Multi-Agent Reinforcement Learning for Aerial Ad-hoc Networks [0.19791587637442667]
本稿では,航空通信のユースケースを提示し,それを解くためのハイブリッド量子古典型MLアルゴリズムを提案する。
その結果,古典的アルゴリズムに匹敵する量子化解の性能はわずかに向上した。
これらの有望な結果は、産業関連複雑なユースケースに対するQMARLの可能性を示している。
論文 参考訳（メタデータ） (2024-04-26T15:57:06Z) - Peptide Binding Classification on Quantum Computers [3.9540968630765643]
本研究では,計算生物学の分野における課題として,短期量子コンピュータを用いた広範囲な研究を行っている。
治療タンパク質の設計に関わる課題に対してシーケンス分類を行い、類似スケールの古典的ベースラインと競合する性能を示す。
この研究は、治療タンパク質の設計に不可欠なタスクに対して、短期量子コンピューティングの最初の概念実証アプリケーションを構成する。
論文 参考訳（メタデータ） (2023-11-27T10:32:31Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳（メタデータ） (2021-04-21T13:26:42Z)
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。