論文の概要: Variational Quantum Kernels with Task-Specific Quantum Metric Learning
- arxiv url: http://arxiv.org/abs/2211.05225v1
- Date: Tue, 8 Nov 2022 18:36:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 16:07:13.557699
- Title: Variational Quantum Kernels with Task-Specific Quantum Metric Learning
- Title（参考訳）: Task-Specific Quantum Metric Learning を用いた変分量子カーネル
- Authors: Daniel T. Chang
- Abstract要約: カーネル法は、より高次元(おそらく無限)な特徴空間における点間の類似性の概念に依存している。
最適な量子埋め込みを生成するために,変分量子カーネルとタスク固有量子量子学習について論じる。
- 参考スコア（独自算出の注目度）: 0.8722210937404288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum kernel methods, i.e., kernel methods with quantum kernels, offer
distinct advantages as a hybrid quantum-classical approach to quantum machine
learning (QML), including applicability to Noisy Intermediate-Scale Quantum
(NISQ) devices and usage for solving all types of machine learning problems.
Kernel methods rely on the notion of similarity between points in a higher
(possibly infinite) dimensional feature space. For machine learning, the notion
of similarity assumes that points close in the feature space should be close in
the machine learning task space. In this paper, we discuss the use of
variational quantum kernels with task-specific quantum metric learning to
generate optimal quantum embeddings (a.k.a. quantum feature encodings) that are
specific to machine learning tasks. Such task-specific optimal quantum
embeddings, implicitly supporting feature selection, are valuable not only to
quantum kernel methods in improving the latter's performance, but they can also
be valuable to non-kernel QML methods based on parameterized quantum circuits
(PQCs) as pretrained embeddings and for transfer learning. This further
demonstrates the quantum utility, and quantum advantage (with
classically-intractable quantum embeddings), of quantum kernel methods.
- Abstract（参考訳）: 量子カーネル法(すなわち、量子カーネルを用いたカーネル法)は、量子機械学習(QML)へのハイブリッド量子古典的アプローチとして、ノイズ中間量子(NISQ)デバイスの適用性や、あらゆる種類の機械学習問題を解決するための用途など、明確な利点がある。
カーネル法は、高次元(おそらく無限)の特徴空間における点間の類似性の概念に依存する。
機械学習では、類似性の概念は、機能空間の点が機械学習タスク空間に近くなければならないと仮定する。
本稿では,機械学習タスクに特有の量子埋め込み(量子特徴符号化)を最適に生成するために,変分量子カーネルとタスク固有量子量子学習の併用について議論する。
このようなタスク固有の最適量子埋め込みは、暗黙的に特徴選択をサポートするが、量子カーネル法だけでなく、パラメータ化された量子回路(pqcs)に基づく非カーネルqml法にも事前学習や転送学習として有用である。
これは量子カーネル法の量子ユーティリティ、量子アドバンテージ(古典的に難解な量子埋め込み)をさらに示している。
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) - Continuous-variable quantum kernel method on a programmable photonic quantum processor [0.0]
CV量子カーネル法は,実験上の不完全条件下であっても,複数のデータセットを頑健に分類できることを実験的に証明した。
このデモンストレーションは、QMLのためのCV量子システムの実用性に光を当て、他のCVQMLアルゴリズムにおけるさらなる研究を刺激する。
論文 参考訳（メタデータ） (2024-05-02T08:33:31Z) - A Kerr kernel quantum learning machine [0.0]
超伝導量子回路に基づく量子ハードウェアカーネルの実装手法を提案する。
このスキームは量子ビットや量子回路を使用せず、カーモードのアナログ特性を利用する。
論文 参考訳（メタデータ） (2024-04-02T09:50:33Z) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - Several fitness functions and entanglement gates in quantum kernel
generation [3.6953740776904924]
量子力学の基本的な概念である絡み合いは、量子コンピューティングにおいて中心的な役割を果たす。
多目的遺伝的アルゴリズムを用いて量子カーネル特徴写像における絡み合いゲートの最適個数について検討する。
我々の発見は、量子機械学習アルゴリズムの効率性と精度を高めるための貴重なガイダンスを提供する。
論文 参考訳（メタデータ） (2023-08-22T18:35:51Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Parameterized Quantum Circuits with Quantum Kernels for Machine
Learning: A Hybrid Quantum-Classical Approach [0.8722210937404288]
Kernel ized Quantum Circuits (PQCs) は一般に量子機械学習(QML)へのハイブリッドアプローチで使用される。
我々は、PQCと量子カーネルの重要な側面として、PQC、量子カーネル、量子アドバンテージを持つ量子カーネル、量子カーネルのトレーニング可能性について論じる。
論文 参考訳（メタデータ） (2022-09-28T22:14:41Z) - Optimal quantum kernels for small data classification [0.0]
本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。
少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
論文 参考訳（メタデータ） (2022-03-25T18:26:44Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳（メタデータ） (2021-03-31T02:41:36Z)
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。