論文の概要: Active Learning on a Programmable Photonic Quantum Processor
- arxiv url: http://arxiv.org/abs/2208.02104v1
- Date: Wed, 3 Aug 2022 14:34:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 14:05:37.861822
- Title: Active Learning on a Programmable Photonic Quantum Processor
- Title(参考訳): プログラマブルフォトニック量子プロセッサによるアクティブラーニング
- Authors: Chen Ding, Xiao-Yue Xu, Yun-Fei Niu, Shuo Zhang, Wan-Su Bao, He-Liang
Huang
- Abstract要約: 量子機械学習モデルのトレーニングには大きなラベル付きデータセットが必要で、高いラベル付けと計算コストが発生する。
このようなコストを削減するため、アクティブラーニング(AL)と呼ばれる選択的なトレーニング戦略では、学習対象とする元のデータセットのサブセットのみを選択する。
本稿では、量子機械学習におけるALの潜在的な応用と有効性を検討するために、2つのALを用いた変分量子分類器を設計、実装する。
- 参考スコア(独自算出の注目度): 6.762439942352232
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training a quantum machine learning model generally requires a large labeled
dataset, which incurs high labeling and computational costs. To reduce such
costs, a selective training strategy, called active learning (AL), chooses only
a subset of the original dataset to learn while maintaining the trained model's
performance. Here, we design and implement two AL-enpowered variational quantum
classifiers, to investigate the potential applications and effectiveness of AL
in quantum machine learning. Firstly, we build a programmable free-space
photonic quantum processor, which enables the programmed implementation of
various hybrid quantum-classical computing algorithms. Then, we code the
designed variational quantum classifier with AL into the quantum processor, and
execute comparative tests for the classifiers with and without the AL strategy.
The results validate the great advantage of AL in quantum machine learning, as
it saves at most $85\%$ labeling efforts and $91.6\%$ percent computational
efforts compared to the training without AL on a data classification task. Our
results inspire AL's further applications in large-scale quantum machine
learning to drastically reduce training data and speed up training,
underpinning the exploration of practical quantum advantages in quantum physics
or real-world applications.
- Abstract(参考訳): 量子機械学習モデルのトレーニングには、一般的に大きなラベル付きデータセットが必要である。
このようなコストを削減するために、active learning(al)と呼ばれる選択的トレーニング戦略は、トレーニングされたモデルのパフォーマンスを維持しながら学習する元のデータセットのサブセットのみを選択する。
そこで本研究では,alを用いた2つの変分量子分類器の設計と実装を行い,alの量子機械学習への応用と有効性について検討する。
まず、プログラム可能なフリースペースフォトニック量子プロセッサを構築し、様々な量子古典型アルゴリズムのプログラム実装を可能にした。
次に、設計した変分量子分類器をALで量子プロセッサにコーディングし、AL戦略の有無にかかわらず、分類器の比較テストを実行する。
量子機械学習におけるalの利点は、データ分類タスクにおいてalなしでのトレーニングに比べて、最大で8,5\%$のラベル付け作業と9,1.6\%の計算労力を節約できる点にある。
この結果は、alの大規模量子機械学習におけるさらなる応用を刺激し、トレーニングデータを大幅に削減し、トレーニングをスピードアップさせ、量子物理学や実世界応用における実用的な量子優位性の探求を基礎としている。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳(メタデータ) (2024-08-22T08:21:28Z) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳(メタデータ) (2024-08-19T12:18:07Z) - Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳(メタデータ) (2024-07-02T18:00:00Z) - Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳(メタデータ) (2024-06-17T18:20:51Z) - Quantum Resonant Dimensionality Reduction and Its Application in Quantum Machine Learning [2.7119354495508787]
本稿では,入力データの次元を低減するために,量子共振器遷移に基づくQRDRアルゴリズムを提案する。
QRDR後、入力データの寸法$N$を所望のスケール$R$に減らし、元のデータの有効情報を保存する。
我々のアルゴリズムは様々な計算分野に応用できる可能性がある。
論文 参考訳(メタデータ) (2024-05-21T09:26:18Z) - Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。
線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
論文 参考訳(メタデータ) (2024-05-15T14:28:00Z) - Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。
小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
論文 参考訳(メタデータ) (2024-04-01T20:55:03Z) - 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) - 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) - 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) - Quantum Machine Learning for Particle Physics using a Variational
Quantum Classifier [0.0]
本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。
このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
論文 参考訳(メタデータ) (2020-10-14T18:05:49Z)
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。