論文の概要: An analog quantum variational embedding classifier
- arxiv url: http://arxiv.org/abs/2211.02748v1
- Date: Fri, 4 Nov 2022 20:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-20 08:49:05.217948
- Title: An analog quantum variational embedding classifier
- Title(参考訳): アナログ量子変分埋め込み分類器
- Authors: Rui Yang, Samuel Bosch, Bobak Kiani, Seth Lloyd, and Adrian Lupascu
- Abstract要約: 量子機械学習は、人工知能に強力なアルゴリズムを提供する可能性がある。
アナログ量子コンピュータを用いたゲート型変分埋め込み分類器を提案する。
量子ビット数を増やすことで分類器の性能を向上させることができる。
- 参考スコア(独自算出の注目度): 8.445680783099196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning has the potential to provide powerful algorithms for
artificial intelligence. The pursuit of quantum advantage in quantum machine
learning is an active area of research. For current noisy, intermediate-scale
quantum (NISQ) computers, various quantum-classical hybrid algorithms have been
proposed. One such previously proposed hybrid algorithm is a gate-based
variational embedding classifier, which is composed of a classical neural
network and a parameterized gate-based quantum circuit. We propose a quantum
variational embedding classifier based on an analog quantum computer, where
control signals vary continuously in time: our particular focus is
implementation using quantum annealers. In our algorithm, the classical data is
transformed into the parameters of the time-varying Hamiltonian of the analog
quantum computer by a linear transformation. The nonlinearity needed for a
nonlinear classification problem is purely provided by the analog quantum
computer, through the nonlinear dependence of the final quantum state on the
control parameters of the Hamiltonian. We performed numerical simulations that
demonstrate the effectiveness of our algorithm for performing binary and
multi-class classification on linearly inseparable datasets such as concentric
circles and MNIST digits. Our algorithm performs much better than classical
linear classifiers. We find that the performance of our classifier can be
increased by increasing the number of qubits. Our algorithm presents the
possibility to use current quantum annealers for solving practical
machine-learning problems and it could also be useful to explore quantum
advantage in quantum machine learning.
- Abstract(参考訳): 量子機械学習は、人工知能に強力なアルゴリズムを提供する可能性がある。
量子機械学習における量子優位の追求は、活発な研究分野である。
現在のノイズの多い中間スケール量子(nisq)コンピュータでは、様々な量子古典ハイブリッドアルゴリズムが提案されている。
このようなハイブリッドアルゴリズムの1つは、古典的ニューラルネットワークとパラメータ化ゲートベースの量子回路からなるゲートベース変分埋め込み分類器である。
我々はアナログ量子コンピュータに基づく量子変分埋め込み分類器を提案し、制御信号は時間とともに連続的に変化する。
このアルゴリズムでは,古典的データは線形変換により,アナログ量子コンピュータの時間変化ハミルトニアンのパラメータに変換される。
非線形分類問題に必要な非線形性は、ハミルトニアンの制御パラメータに対する最終量子状態の非線形依存を通じて、アナログ量子コンピュータによって純粋に与えられる。
我々は,同心円やMNIST桁などの線形分離不能なデータセットに対して,二進分類と多進分類のアルゴリズムの有効性を示す数値シミュレーションを行った。
我々のアルゴリズムは古典線形分類器よりも優れている。
量子ビット数を増加させることで、分類器の性能を向上できることがわかりました。
本アルゴリズムは,現在の量子アニーラを用いた実用的な機械学習問題を解く可能性を示し,量子機械学習における量子アドバンテージを探求する上で有用である。
関連論文リスト
- Hybrid quantum learning with data re-uploading on a small-scale
superconducting quantum simulator [29.81784450632149]
スーパーバイザード量子学習(Supervised quantum learning)は、変分量子アルゴリズムと古典的な機械学習の間の創発的な多分野のドメインブリッジである。
簡単なバイナリとマルチラベルのタスクで量子回路をトレーニングし、95%の分類精度を達成し、手書き十進数認識時に90%の精度でデータを再アップロードするハイブリッドモデルを構築した。
論文 参考訳(メタデータ) (2023-05-04T16:03:32Z) - Learning To Optimize Quantum Neural Network Without Gradients [3.9848482919377006]
本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。
我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
論文 参考訳(メタデータ) (2023-04-15T01:09:12Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。
この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
論文 参考訳(メタデータ) (2022-05-11T12:10:52Z) - Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning [0.5999777817331318]
本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。
提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。
この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
論文 参考訳(メタデータ) (2022-03-29T09:07:18Z) - Quantum algorithm for neural network enhanced multi-class parallel
classification [0.3314882635954752]
提案アルゴリズムは,高い分類精度,高速収束,表現能力を有する。
L$クラスの分類タスクでは、量子回路の空間と時間の複雑さはそれぞれ$O(L*logL)$と$O(logL)$である。
論文 参考訳(メタデータ) (2022-03-08T14:06:13Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - Quantum Annealing Formulation for Binary Neural Networks [40.99969857118534]
本研究では、リソース制約のあるデバイスを意図した軽量で強力なモデルであるバイナリニューラルネットワークについて検討する。
トレーニング問題に対する2次非制約バイナリ最適化の定式化を考案する。
問題は難解であり、すなわち、二分重みを推定するコストはネットワークサイズと指数関数的にスケールするが、どのようにして問題を量子アニール器に直接最適化できるかを示す。
論文 参考訳(メタデータ) (2021-07-05T03:20:54Z) - Quantum Machine Learning for Particle Physics using a Variational
Quantum Classifier [0.0]
本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。
このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
論文 参考訳(メタデータ) (2020-10-14T18:05:49Z) - QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to
Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。
本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。
従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
論文 参考訳(メタデータ) (2020-02-22T04:14:32Z) - Programming a quantum computer with quantum instructions [39.994876450026865]
我々は密度行列化プロトコルを用いて量子データ上で量子命令を実行する。
古典的に定義されたゲートの固定列は、補助量子命令状態に一意に依存する演算を実行する。
量子命令の利用により、コストのかかるトモグラフィー状態の再構築と再コンパイルの必要性がなくなる。
論文 参考訳(メタデータ) (2020-01-23T22:43:29Z)
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。