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
- 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 for image classification [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - Configured Quantum Reservoir Computing for Multi-Task Machine Learning [24.698475208639586]
量子貯水池計算のためのプログラム可能なNISQデバイスのダイナミクスについて検討する。
単一の構成の量子貯水池は、同時に複数のタスクを学習することができる。
量子貯水池における量子コヒーレンス(quantum coherence, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス, 量子コヒーレンス)
論文 参考訳(メタデータ) (2023-03-30T18:00:02Z) - 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) - Quantum Policy Gradient Algorithm with Optimized Action Decoding [1.3946033794136758]
動作選択に必要な古典的後処理を最適化するための,新しい品質指標を提案する。
この手法により,5キュービットのハードウェアデバイス上で,フルトレーニングルーチンの実行に成功した。
論文 参考訳(メタデータ) (2022-12-13T15:42:10Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。
MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文 参考訳(メタデータ) (2020-12-08T01:10:30Z) - 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) - 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) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-28T17:21:25Z) - QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to
Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。
本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。
従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
論文 参考訳(メタデータ) (2020-02-22T04:14:32Z)
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。