論文の概要: Improving Quantum Classifier Performance in NISQ Computers by Voting Strategy from Ensemble Learning

• arxiv url: http://arxiv.org/abs/2210.01656v3
• Date: Sat, 17 Dec 2022 21:08:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-23 22:03:01.049532
• Title: Improving Quantum Classifier Performance in NISQ Computers by Voting Strategy from Ensemble Learning
• Title（参考訳）: アンサンブル学習による投票戦略によるnisqコンピュータの量子分類器性能の向上
• Authors: Ruiyang Qin, Zhiding Liang, Jinglei Cheng, Peter Kogge, and Yiyu Shi
• Abstract要約: 量子アルゴリズムでは、量子デコヒーレンスと量子ゲートのインプレクションによって大きな誤差率が発生する。 本研究では,アンサンブル量子分類器を複数投票で最適化することを提案する。
• 参考スコア（独自算出の注目度）: 9.257859576573942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the immense potential of quantum computers and the significant computing overhead required in machine learning applications, the variational quantum classifier (VQC) has received a lot of interest recently for image classification. The performance of VQC is jeopardized by the noise in Noisy Intermediate-Scale Quantum (NISQ) computers, which is a significant hurdle. It is crucial to remember that large error rates occur in quantum algorithms due to quantum decoherence and imprecision of quantum gates. Previous studies have looked towards using ensemble learning in conventional computing to reduce quantum noise. We also point out that the simple average aggregation in classical ensemble learning may not work well for NISQ computers due to the unbalanced confidence distribution in VQC. Therefore, in this study, we suggest that ensemble quantum classifiers be optimized with plurality voting. On the MNIST dataset and IBM quantum computers, experiments are carried out. The results show that the suggested method can outperform state-of-the-art on two- and four-class classifications by up to 16.0% and 6.1% , respectively.
• Abstract（参考訳）: 量子コンピュータの膨大なポテンシャルと機械学習アプリケーションに必要な計算オーバーヘッドのため、変分量子分類器(VQC)は近年、画像分類において大きな関心を集めている。 VQCの性能は、ノイズに悩まされ、NISQ(Noisy Intermediate-Scale Quantum)コンピュータでは大きなハードルとなっている。 量子ゲートのデコヒーレンスと不一致のために、量子アルゴリズムにおいて大きな誤り率が発生することを忘れてはならない。 従来の研究は、量子ノイズを減らすためにアンサンブル学習を用いていた。 また,古典的アンサンブル学習における単純な平均集計は,vqcの信頼度分布の不均衡のため,nisqコンピュータではうまく機能しない可能性があることを指摘した。 そこで本研究では,アンサンブル量子分類器を複数投票で最適化することを提案する。 MNISTデータセットとIBM量子コンピュータ上で実験を行う。 その結果,提案手法は2クラスと4クラスの分類において,それぞれ16.0%,6.1%を上回り得ることがわかった。

関連論文リスト

• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QUILT: Effective Multi-Class Classification on Quantum Computers Using an Ensemble of Diverse Quantum Classifiers [11.536317744969514]
  Quiltは、エラーを起こしやすい量子コンピュータ上で、マルチクラス分類タスクを実行するためのフレームワークである。 5ビットシステムのMNISTデータセットで最大85%のマルチクラス分類精度を示す。
  論文  参考訳（メタデータ） (2023-09-26T16:36:11Z)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• Boosted Ensembles of Qubit and Continuous Variable Quantum Support Vector Machines for B Meson Flavour Tagging [0.7232471205719458]
  量子機械学習手法をB中間子タギングに適用する。 従来の量子ビットベースおよび連続変数アーキテクチャに基づく量子支援ベクトルマシンの高速化アンサンブルをシミュレートする。 古典的にシミュレート可能な状態を超えた連続変数QSVMが、さらに高い性能を実現することが可能であることを示す。
  論文  参考訳（メタデータ） (2023-05-04T11:04:06Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• 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)
• Optimal quantum reservoir computing for the NISQ era [0.0]
  このレターでは、最適な量子貯水池を選択するための基準を提供する。 以上の結果から, ゲートが著しく少ない他のモデルよりも優れた結果が得られ, 量子貯水池計算と量子状態複雑性の理論的ギャップに関する洞察も得られている。
  論文  参考訳（メタデータ） (2022-05-20T12:00:27Z)
• 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)
• 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)

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。