論文の概要: Parameterized Quantum Circuits with Quantum Kernels for Machine
Learning: A Hybrid Quantum-Classical Approach
- arxiv url: http://arxiv.org/abs/2209.14449v1
- Date: Wed, 28 Sep 2022 22:14:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 18:15:37.911083
- Title: Parameterized Quantum Circuits with Quantum Kernels for Machine
Learning: A Hybrid Quantum-Classical Approach
- Title（参考訳）: 機械学習のための量子カーネルを用いたパラメータ化量子回路:ハイブリッド量子古典的アプローチ
- Authors: Daniel T. Chang
- Abstract要約: Kernel ized Quantum Circuits (PQCs) は一般に量子機械学習(QML)へのハイブリッドアプローチで使用される。
我々は、PQCと量子カーネルの重要な側面として、PQC、量子カーネル、量子アドバンテージを持つ量子カーネル、量子カーネルのトレーニング可能性について論じる。
- 参考スコア（独自算出の注目度）: 0.8722210937404288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning (QML) is the use of quantum computing for the
computation of machine learning algorithms. With the prevalence and importance
of classical data, a hybrid quantum-classical approach to QML is called for.
Parameterized Quantum Circuits (PQCs), and particularly Quantum Kernel PQCs,
are generally used in the hybrid approach to QML. In this paper we discuss some
important aspects of PQCs with quantum kernels including PQCs, quantum kernels,
quantum kernels with quantum advantage, and the trainability of quantum
kernels. We conclude that quantum kernels with hybrid kernel methods, a.k.a.
quantum kernel methods, offer distinct advantages as a hybrid approach to QML.
Not only do they apply to Noisy Intermediate-Scale Quantum (NISQ) devices, but
they also can be used to solve all types of machine learning problems including
regression, classification, clustering, and dimension reduction. Furthermore,
beyond quantum utility, quantum advantage can be attained if the quantum
kernels, i.e., the quantum feature encodings, are classically intractable.
- Abstract（参考訳）: 量子機械学習 (quantum machine learning, qml) は、機械学習アルゴリズムの計算に量子コンピューティングを用いる方法である。
古典データの普及と重要性により、QMLに対するハイブリッド量子古典的アプローチが求められている。
パラメータ化量子回路(PQC)、特に量子カーネルPQCはQMLへのハイブリッドアプローチで一般的に使用される。
本稿では、PQC、量子カーネル、量子優位な量子カーネル、量子カーネルのトレーニング可能性など、量子カーネルを用いたPQCの重要な側面について論じる。
量子カーネル法(quantum kernel method)と呼ばれるハイブリッドカーネル法を持つ量子カーネルは、qmlへのハイブリッドアプローチとして明確な利点をもたらすと結論づける。
Noisy Intermediate-Scale Quantum (NISQ) デバイスに適用されるだけでなく、回帰、分類、クラスタリング、次元縮小など、あらゆる種類の機械学習問題を解決するためにも使用できる。
さらに、量子ユーティリティ以外にも、量子カーネル、すなわち量子特徴符号化が古典的に難解であれば、量子優位性が得られる。
関連論文リスト
- Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。
本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
論文 参考訳（メタデータ） (2024-11-14T12:27:50Z) - Continuous-variable quantum kernel method on a programmable photonic quantum processor [0.0]
CV量子カーネル法は,実験上の不完全条件下であっても,複数のデータセットを頑健に分類できることを実験的に証明した。
このデモンストレーションは、QMLのためのCV量子システムの実用性に光を当て、他のCVQMLアルゴリズムにおけるさらなる研究を刺激する。
論文 参考訳（メタデータ） (2024-05-02T08:33:31Z) - Challenges and Opportunities in Quantum Machine Learning [2.5671549335906367]
量子機械学習(QML)は、特に量子データに対して、データ分析を加速する可能性がある。
ここでは、QMLの現在の方法と応用について概観する。
量子ニューラルネットワークと量子ディープラーニングに焦点をあてて、量子と古典的な機械学習の違いを強調します。
論文 参考訳（メタデータ） (2023-03-16T17:10:39Z) - Enabling Non-Linear Quantum Operations through Variational Quantum
Splines [1.3874486202578669]
本稿では,ハイブリッド量子古典計算を用いた非線形量子活性化関数の近似法を提案する。
提案手法は非線形近似のフレキシブルな問題表現に依存しており,既存の量子ニューラルネットワークアーキテクチャに組み込むのに適している。
論文 参考訳（メタデータ） (2023-03-08T18:39:43Z) - 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) - Variational Quantum Kernels with Task-Specific Quantum Metric Learning [0.8722210937404288]
カーネル法は、より高次元(おそらく無限)な特徴空間における点間の類似性の概念に依存している。
最適な量子埋め込みを生成するために,変分量子カーネルとタスク固有量子量子学習について論じる。
論文 参考訳（メタデータ） (2022-11-08T18:36:25Z) - Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。
本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文 参考訳（メタデータ） (2022-09-16T02:37:32Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - Optimal quantum kernels for small data classification [0.0]
本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。
少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
論文 参考訳（メタデータ） (2022-03-25T18:26:44Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳（メタデータ） (2021-03-31T02:41:36Z)
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。