Fugu-MT 論文翻訳(概要): Quantum Machine Learning for Material Synthesis and Hardware Security

論文の概要: Quantum Machine Learning for Material Synthesis and Hardware Security

arxiv url: http://arxiv.org/abs/2208.08273v1
Date: Tue, 16 Aug 2022 15:58:43 GMT
ステータス: 処理完了
システム内更新日: 2022-08-18 13:33:50.858434
Title: Quantum Machine Learning for Material Synthesis and Hardware Security
Title（参考訳）: 材料合成とハードウェアセキュリティのための量子機械学習
Authors: Collin Beaudoin, Satwik Kundu, Rasit Onur Topaloglu and Swaroop Ghosh
Abstract要約: 本稿では,量子長短期記憶(QLSTM)がレトロシンセシスの有効なツールであることを示す。また,ハードウェアセキュリティ領域における量子ニューラルネットワーク(QNN)の適用例を示す。
参考スコア（独自算出の注目度）: 4.1005503566120005
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Using quantum computing, this paper addresses two scientifically pressing and day-to-day relevant problems, namely, chemical retrosynthesis which is an important step in drug/material discovery and security of the semiconductor supply chain. We show that Quantum Long Short-Term Memory (QLSTM) is a viable tool for retrosynthesis. We achieve 65% training accuracy with QLSTM, whereas classical LSTM can achieve 100%. However, in testing, we achieve 80% accuracy with the QLSTM while classical LSTM peaks at only 70% accuracy! We also demonstrate an application of Quantum Neural Network (QNN) in the hardware security domain, specifically in Hardware Trojan (HT) detection using a set of power and area Trojan features. The QNN model achieves detection accuracy as high as 97.27%.
Abstract（参考訳）: 本稿では, 量子コンピューティングを用いて, 半導体サプライチェーンの創薬・物質探索とセキュリティにおいて重要なステップである化学再合成という, 科学的に迫力と日々の課題を2つ解決する。本稿では,量子長短期記憶(QLSTM)がレトロシンセシスの有効なツールであることを示す。 QLSTMではトレーニング精度が65%,従来のLSTMでは100%であった。しかし、テストでは、従来のLSTMが70%の精度でピーク時に、QLSTMで80%の精度を達成する。また,ハードウェアセキュリティ領域における量子ニューラルネットワーク(QNN)の適用,特にパワーセットと領域トロイジャン特徴を用いたハードウェアトロイジャン(HT)検出について実演する。 QNNモデルは97.27%の精度で検出できる。

関連論文リスト

Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術はプライバシーセキュリティ情報整合性に課題をもたらす本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-11T20:52:10Z)
Q-SCALE: Quantum computing-based Sensor Calibration for Advanced Learning and Efficiency [1.2564343689544841]
本稿では,Deep Learning (DL) やQuantum Machine Learning (QML) といった先進的な手法を用いて,安価な光学ファインダストセンサの校正プロセスについて検討する。プロジェクトの目的は、古典的領域と量子的領域の両方の洗練された4つのアルゴリズムを比較し、それらの格差を識別し、都市大気質監視における粒子状物質測定の精度と信頼性を改善するための代替アプローチを検討することである。
論文参考訳（メタデータ） (2024-10-03T21:15:05Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-21T21:40:47Z)
QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文参考訳（メタデータ） (2023-08-25T15:08:19Z)
Quantum Circuit Fidelity Improvement with Long Short-Term Memory Networks [1.2461503242570644]
NISQコンピュータは,従来の計算では実現不可能な多くのタスクを高速化する上で,大きな可能性を秘めている。重要な理由のひとつは、量子ハードウェアの脆弱な性質にある。量子回路(QC)の構成要素として、量子ゲートと量子ビットは外部干渉の影響を受けやすい。
論文参考訳（メタデータ） (2023-03-30T16:44:12Z)
TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文参考訳（メタデータ） (2023-01-13T09:35:05Z)
Deterministic and random features for large-scale quantum kernel machine [0.9404723842159504]
提案した決定論的およびランダムな特徴を用いて量子カーネル法(QKM)をスケーラブルにすることができることを示す。 O(1,000) sim O(10,000)$トレーニングデータを含むデータセットを用いた数値実験は,本手法の有効性を裏付けるものである。
論文参考訳（メタデータ） (2022-09-05T13:22:34Z)
QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文参考訳（メタデータ） (2022-07-14T12:22:51Z)
Quantum Machine Learning for Software Supply Chain Attacks: How Far Can We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文参考訳（メタデータ） (2022-04-04T21:16:06Z)
On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。