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
- Machine learning framework for predicting the entangling capability of parameterized quantum circuits [17.975555487972166]
変分量子アルゴリズム(VQA)は有望な解であるが、その性能はパラメータ化量子回路(PQC)に大きく依存している。
PQCsの絡み合いはPQCsを構築する上で重要な指標である。
本稿では,長期記憶(LSTM)モデルとゲート符号化技術を用いて,PQCの絡み合う能力を予測する機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-04T06:28:05Z) - QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [48.476022756096185]
量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。
QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。
QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
論文 参考訳(メタデータ) (2024-02-20T12:11:28Z) - 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) - Exploiting the Quantum Advantage for Satellite Image Processing: Review
and Assessment [1.3597551064547502]
本稿では,地球観測(EO)と衛星画像における量子コンピューティングの現状について述べる。
衛星データを扱う際の量子学習モデルの潜在的な限界と応用について分析する。
論文 参考訳(メタデータ) (2023-08-18T10:34:34Z) - 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 exploring practical potentials of quantum auto-encoder with
advantages [92.19792304214303]
量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。
我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。
低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - 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。
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。