論文の概要: Analog quantum variational embedding classifier

• arxiv url: http://arxiv.org/abs/2211.02748v2
• Date: Tue, 9 May 2023 20:24:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 17:18:24.782887
• Title: 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: 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。 性能が飽和し変動するまでのキュー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。 提案アルゴリズムは,現実的な機械学習問題を解決するために,現在の量子アニールを用いた可能性を示す。
• 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. 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 classifier can reach accuracy comparable with the best classical classifiers. We find the performance of our classifier can be increased by increasing the number of qubits until the performance saturates and fluctuates. Moreover, the number of optimization parameters of our classifier scales linearly with the number of qubits. The increase of number of training parameters when the size increases is therefore not as fast as that of neural network. Our algorithm presents the possibility of using 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。 本稿では,制御信号が連続的に変化する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。 我々の分類器は最高の古典的分類器に匹敵する精度に到達できる。 性能が飽和し変動するまでのキュー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。 さらに,分類器の最適化パラメータ数は,キュービット数に線形にスケールする。 したがって、サイズが大きくなるとトレーニングパラメータの数が増えることは、ニューラルネットワークほど高速ではない。 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

• NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
  近年、量子コンピューティングの分野は大幅に成熟している。 NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。 我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
  論文  参考訳（メタデータ） (2024-11-23T23:09:22Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• 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)
• 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 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)

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。