論文の概要: Fitting a Collider in a Quantum Computer: Tackling the Challenges of
Quantum Machine Learning for Big Datasets
- arxiv url: http://arxiv.org/abs/2211.03233v3
- Date: Thu, 30 Mar 2023 15:12:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 17:40:28.695630
- Title: Fitting a Collider in a Quantum Computer: Tackling the Challenges of
Quantum Machine Learning for Big Datasets
- Title（参考訳）: 量子コンピュータにおける衝突子の実現 - ビッグデータのための量子機械学習の課題に対処する
- Authors: Miguel Ca\c{c}ador Peixoto, Nuno Filipe Castro, Miguel Crispim
Rom\~ao, Maria Gabriela Jord\~ao Oliveira, In\^es Ochoa
- Abstract要約: この課題に対処するために、特徴とデータプロトタイプの選択手法が研究された。
グリッドサーチが行われ、量子機械学習モデルが訓練され、古典的な浅層機械学習手法に対してベンチマークされた。
量子アルゴリズムの性能は、大規模なデータセットを使用しても、古典的なアルゴリズムに匹敵することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current quantum systems have significant limitations affecting the processing
of large datasets with high dimensionality, typical of high energy physics. In
the present paper, feature and data prototype selection techniques were studied
to tackle this challenge. A grid search was performed and quantum machine
learning models were trained and benchmarked against classical shallow machine
learning methods, trained both in the reduced and the complete datasets. The
performance of the quantum algorithms was found to be comparable to the
classical ones, even when using large datasets. Sequential Backward Selection
and Principal Component Analysis techniques were used for feature's selection
and while the former can produce the better quantum machine learning models in
specific cases, it is more unstable. Additionally, we show that such
variability in the results is caused by the use of discrete variables,
highlighting the suitability of Principal Component analysis transformed data
for quantum machine learning applications in the high energy physics context.
- Abstract（参考訳）: 現在の量子システムは、高エネルギー物理学の典型である高次元の大規模データセットの処理に重大な制限がある。
本稿では,この課題に対処するため,特徴およびデータプロトタイプの選択手法について検討した。
グリッド検索を行い、量子機械学習モデルをトレーニングし、データセットの縮小と完全の両方でトレーニングされた古典的な浅層機械学習手法に対してベンチマークを行った。
量子アルゴリズムの性能は、大規模なデータセットを使用しても、古典的なアルゴリズムに匹敵することがわかった。
連続した後方選択と主成分分析技術が特徴の選択に使われ、前者は特定のケースでより良い量子機械学習モデルを生成できるが、より不安定である。
さらに、これらの変数の変動性は、高エネルギー物理学の文脈における量子機械学習応用のための主成分分析変換データの適合性を強調し、離散変数の使用によって引き起こされることを示す。
関連論文リスト
- The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - Benchmarking quantum machine learning kernel training for classification tasks [0.0]
本研究は、分類タスクに焦点を当てた量子カーネル推定(QKE)と量子カーネルトレーニング(QKT)のベンチマーク研究を行う。
ZZFeatureMapとCovariantFeatureMapという2つの量子特徴写像がこの文脈で分析される。
実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
論文 参考訳（メタデータ） (2024-08-17T10:53:06Z) - 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) - Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳（メタデータ） (2024-01-20T03:11:59Z) - Coreset selection can accelerate quantum machine learning models with
provable generalization [6.733416056422756]
量子ニューラルネットワーク(QNN)と量子カーネルは、量子機械学習の領域において顕著な存在である。
我々は、QNNと量子カーネルのトレーニングを高速化することを目的とした、コアセット選択という統一的なアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-19T08:59:46Z) - 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) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳（メタデータ） (2020-12-07T18:51:28Z) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳（メタデータ） (2020-11-03T19:00:01Z) - Quantum-inspired Machine Learning on high-energy physics data [0.0]
CERNの大型ハドロン衝突型加速器が生成するデータの分析と分類に量子インスパイアされた機械学習技術を適用した。
特に、いわゆるb-ジェットを効果的に分類する方法、陽子-陽子実験からb-クォークを起源とするジェット、および分類結果の解釈方法について述べる。
論文 参考訳（メタデータ） (2020-04-28T18:00:12Z)
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。