論文の概要: The Physics of Learning
- arxiv url: http://arxiv.org/abs/2209.11954v1
- Date: Sat, 24 Sep 2022 08:12:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 07:42:40.756098
- Title: The Physics of Learning
- Title（参考訳）: 学習の物理
- Authors: G. J. Milburn, Sahar Basiri-Esfahani
- Abstract要約: 学習機械は、他の機械と同様に、低いエントロピーのエネルギー源にアクセスすることによって熱平衡から遠ざかるオープンシステムである。
エラーの確率が低く学習するマシン間の接続と、古典機械と量子機械の両方に最適な熱力学資源の使用について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A learning machine, like all machines, is an open system driven far from
thermal equilibrium by access to a low entropy source of free energy. We
discuss the connection between machines that learn, with low probability of
error, and the optimal use of thermodynamic resources for both classical and
quantum machines. Both fixed point and spiking perceptrons are discussed in the
context of possible physical implementations. An example of a single photon
quantum kernel evaluation illustrates the important role for quantum coherence
in data representation. Machine learning algorithms, implemented on
conventional complementary metal oxide semiconductor (CMOS) devices, currently
consume large amounts of energy. By focusing on the physical constraints of
learning machines rather than algorithms, we suggest that a more efficient
means of implementing learning may be possible based on quantum switches
operating at very low power. Single photon kernel evaluation is an example of
the energy efficiency that might be possible.
- Abstract（参考訳）: 学習機械は、全ての機械と同様に、自由エネルギーの低エントロピー源へのアクセスによって熱平衡から遠く離れたオープンシステムである。
エラーの確率が低く学習するマシン間の接続と、古典機械と量子機械の両方に最適な熱力学資源の使用について論じる。
固定点とスパイキングの両パーセプトロンは、可能な物理的実装の文脈で議論される。
単一光子量子カーネル評価の例は、データ表現における量子コヒーレンスの重要な役割を示している。
従来の補完金属酸化物半導体(CMOS)デバイスに実装された機械学習アルゴリズムは、現在大量のエネルギーを消費している。
アルゴリズムよりも学習機械の物理的制約に焦点をあてることで、非常に低消費電力で動作する量子スイッチに基づいて学習を実装するより効率的な手段が可能であることを示唆する。
単一光子核の評価は、可能かもしれないエネルギー効率の例である。
関連論文リスト
- Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Tensor networks for quantum machine learning [0.0]
本稿では,MPS,PEPS,TTN,MERAなどのレイアウトを量子コンピュータにマップする方法について議論する。
また、機械学習やデータエンコーディングにどのように使用できるか、実装技術によってパフォーマンスが向上するかについても論じる。
論文 参考訳（メタデータ） (2023-03-21T10:46:56Z) - 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) - Ab-initio quantum chemistry with neural-network wavefunctions [2.3306857544105686]
分子科学における機械学習の主な応用は、ポテンシャルエネルギー表面や力場を学習することである。
本稿では,ニューラルネットワークアンサッツ関数を用いた量子モンテカルロ法(QMC)に着目し,電子式Schr"odingerの解法を提案する。
論文 参考訳（メタデータ） (2022-08-26T11:33:31Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z) - Quantum Machine Learning: Fad or Future? [0.0]
私たちは、古典的なコンピューティングデバイスによって、利用可能な最大計算能力のしきい値に素早く近づきます。
これは、今や数十億と数兆のパラメータを持つモデルサイズが指数関数的に増加するためである。
本稿では、量子機械学習が古典的な機械学習アプローチよりも優れているという側面を検証し、検証する。
論文 参考訳（メタデータ） (2021-06-20T15:39:36Z) - 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) - Density functionals and Kohn-Sham potentials with minimal wavefunction
preparations on a quantum computer [0.0]
量子コンピュータの潜在的な応用の1つは、量子化学システムを解くことである。
本稿では,十分に強力な量子コンピュータから,機械学習モデルとしての正確な機能を得る方法を示す。
論文 参考訳（メタデータ） (2020-08-12T22:50:39Z) - Quantum Machine Learning using Gaussian Processes with Performant
Quantum Kernels [0.0]
量子コンピュータを用いて1次元および多次元回帰の機械学習タスクを実行する。
我々は、シミュレーションとハードウェアの両方において、量子デバイスが、古典的なインスピレーションよりも少なくとも何倍も優れた機械学習タスクを実行できることを実証した。
論文 参考訳（メタデータ） (2020-04-23T16:09:14Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳（メタデータ） (2020-01-15T18:36:53Z) - Simulation of Thermal Relaxation in Spin Chemistry Systems on a Quantum
Computer Using Inherent Qubit Decoherence [53.20999552522241]
我々は,実世界の量子システムの振舞いをシミュレーションする資源として,キュービットデコヒーレンスを活用することを目指している。
熱緩和を行うための3つの方法を提案する。
結果,実験データ,理論的予測との間には,良好な一致が得られた。
論文 参考訳（メタデータ） (2020-01-03T11:48:11Z)
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。