論文の概要: The Power of One Clean Qubit in Supervised Machine Learning
- arxiv url: http://arxiv.org/abs/2210.09275v2
- Date: Tue, 1 Nov 2022 23:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-22 06:48:46.341240
- Title: The Power of One Clean Qubit in Supervised Machine Learning
- Title(参考訳): 教師付き機械学習におけるクリーンキュービットのパワー
- Authors: Mahsa Karimi, Ali Javadi-Abhari, Christoph Simon, Roohollah Ghobadi
- Abstract要約: 本稿では,機械学習における量子コヒーレンス(quantum coherence)と量子相関(quantum discord)について検討する。
コヒーレンス消費とカーネル関数の単純な関係が示され、これは機械学習の重要な概念である。
DQC1モデルを用いたIBMハードウェア上でのバイナリ分類問題の実装について述べる。
- 参考スコア(独自算出の注目度): 1.4630712694298607
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The field of machine learning could benefit from quantum-enabled devices, as
quantum correlations may allow for the discovery of new patterns within large
datasets. Thus far, the quantum machine learning literature has mainly focused
on entanglement as a resource. The purpose of this paper is to examine the use
of quantum coherence and a less studied type of quantum correlation, quantum
discord, in machine learning. Our study is based on a non-universal quantum
computing model known as deterministic quantum computing with one qubit (DQC1).
A simple relationship is shown between coherence consumption and the kernel
function, a crucial machine learning concept. We present an implementation of a
binary classification problem on IBM hardware using the DQC1 model. Further, we
analyze the role of quantum coherence and hardware noise in our implementation.
- Abstract(参考訳): 量子相関が大きなデータセットの中に新しいパターンを発見できるため、機械学習の分野は量子対応デバイスから恩恵を受ける可能性がある。
これまで量子機械学習の文献は、主にリソースの絡み合いに重点を置いてきた。
本研究の目的は,機械学習における量子コヒーレンス(quantum coherence)と量子相関(quantum discord)の応用について検討することである。
本研究は,1量子ビット (DQC1) を持つ決定論的量子コンピューティングとして知られる,ユニバーサルでない量子コンピューティングモデルに基づく。
コヒーレンス消費とカーネル関数の単純な関係が示され、これは機械学習の重要な概念である。
DQC1モデルを用いたIBMハードウェア上でのバイナリ分類問題の実装について述べる。
さらに,実装における量子コヒーレンスとハードウェアノイズの役割を分析する。
関連論文リスト
- Quantum Mixed-State Self-Attention Network [3.314566358917308]
本稿では、量子コンピューティングの原理と古典的な機械学習アルゴリズムを統合する新しい量子混合状態注意ネットワーク(QMSAN)を紹介する。
QMSANモデルは混合状態に基づく量子アテンション機構を採用し、量子領域内のクエリとキー間の類似性を効率的に直接推定することを可能にする。
本研究は,QMSANが低雑音に対する可換ロバスト性を有することを示すため,異なる量子雑音環境におけるモデルのロバスト性について検討した。
論文 参考訳(メタデータ) (2024-03-05T11:29:05Z) - 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) - Expressive Quantum Supervised Machine Learning using Kerr-nonlinear
Parametric Oscillators [0.0]
変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。
近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。
我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
論文 参考訳(メタデータ) (2023-05-01T07:01:45Z) - Quantum correlation generation capability of experimental processes [5.552315676636436]
EPRステアリングとベル非局所性は、量子力学によって予測される2つの異なる種類の相関を示す。
実験プロセスが量子相関を生成する能力は量子化可能であることを示す。
我々は,IBM Quantum Experience と Amazon Braket Rigetti の超伝導量子コンピュータ上での制御相演算と量子相関を生成する実験能力について検討した。
論文 参考訳(メタデータ) (2023-04-30T02:22:56Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Improving Quantum Classifier Performance in NISQ Computers by Voting
Strategy from Ensemble Learning [9.257859576573942]
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。
論文 参考訳(メタデータ) (2022-10-04T14:59:58Z) - 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) - 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 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。