論文の概要: Numerical evidence against advantage with quantum fidelity kernels on classical data

• arxiv url: http://arxiv.org/abs/2211.16551v1
• Date: Tue, 29 Nov 2022 19:23:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 18:10:12.636319
• Title: Numerical evidence against advantage with quantum fidelity kernels on classical data
• Title（参考訳）: 古典データ上の量子忠実性核の利点に対する数値的証拠
• Authors: Lucas Slattery, Ruslan Shaydulin, Shouvanik Chakrabarti, Marco Pistoia, Sami Khairy, and Stefan M. Wild
• Abstract要約: 量子核は、量子ビットの数が増加するにつれてスペクトルの指数的な「平坦化」に悩まされることを示す。 これまでに研究されてきた複数の量子特徴写像と、合成データと実データの両方を利用した、この現象の広範な数値的証拠を提供する。 その結果、量子カーネルの帰納バイアスを制御するために新しい手法が開発されない限り、古典的なデータに量子的優位性をもたらすことはありそうにないことがわかった。
• 参考スコア（独自算出の注目度）: 12.621805903645711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning techniques are commonly considered one of the most promising candidates for demonstrating practical quantum advantage. In particular, quantum kernel methods have been demonstrated to be able to learn certain classically intractable functions efficiently if the kernel is well-aligned with the target function. In the more general case, quantum kernels are known to suffer from exponential "flattening" of the spectrum as the number of qubits grows, preventing generalization and necessitating the control of the inductive bias by hyperparameters. We show that the general-purpose hyperparameter tuning techniques proposed to improve the generalization of quantum kernels lead to the kernel becoming well-approximated by a classical kernel, removing the possibility of quantum advantage. We provide extensive numerical evidence for this phenomenon utilizing multiple previously studied quantum feature maps and both synthetic and real data. Our results show that unless novel techniques are developed to control the inductive bias of quantum kernels, they are unlikely to provide a quantum advantage on classical data.
• Abstract（参考訳）: 量子機械学習技術は、実用的な量子優位性を示す最も有望な候補の1つである。 特に、量子カーネル法は、核が対象関数とよく一致している場合、古典的に難解な関数を効率的に学習できることが証明されている。 より一般的な場合、量子核は、量子ビットの数が増加するにつれてスペクトルの指数的な「平坦化」に悩まされ、一般化を防ぎ、超パラメータによる誘導バイアスの制御を必要とする。 量子カーネルの一般化を改善するために提案された汎用ハイパーパラメータチューニング技術により、カーネルは古典的カーネルによってよく近似され、量子優位性の可能性は排除されることを示す。 我々は,以前に研究した複数の量子特徴写像と合成データと実データを用いて,この現象に対する広範な数値的証拠を提供する。 この結果から,量子カーネルの帰納バイアスを制御する新しい手法が開発されない限り,古典的データに量子的優位性を与える可能性が示唆された。

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)
• Phase-space negativity as a computational resource for quantum kernel methods [2.5499055723658097]
  量子カーネル法は、機械学習において量子計算の優位性を達成するための提案である。 ボゾン系に対する量子核関数の最適古典的推定に十分な条件を提供する。 本研究は, 量子機械学習において, 位相空間準確率分布における負性の役割を担っている。
  論文  参考訳（メタデータ） (2024-05-20T21:18:53Z)
• Quantum Machine Learning: Quantum Kernel Methods [0.0]
  カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。 量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。 データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
  論文  参考訳（メタデータ） (2024-05-02T23:45:29Z)
• 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)
• 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)
• A Unified Framework for Trace-induced Quantum Kernels [0.0]
  量子カーネル法は、特定の機械学習タスクに対して実用的な量子優位性を達成するための有望な候補である。 この研究では、すべてのトレース誘起量子カーネルを共通のフレームワークに結合する。 局所的に投影されたカーネルに基づくモデルが,グローバルな忠実度量子カーネルに匹敵する性能を達成できることを数値的に示す。
  論文  参考訳（メタデータ） (2023-11-22T17:50:00Z)
• A Hyperparameter Study for Quantum Kernel Methods [0.0]
  量子カーネル法は、量子機械学習において、それらに接続された保証のおかげで有望な方法である。 分析的考察に対するそれらのアクセシビリティは、量子的優位性の可能性に基づいてデータセットを事前スクリーニングする可能性も開ける。 初期の研究は幾何学的差異を開発しており、これは2つのカーネルベースの機械学習アプローチの尺度として理解することができる。
  論文  参考訳（メタデータ） (2023-10-18T11:20:59Z)
• 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)
• 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 tangent kernel [0.8921166277011345]
  本研究では,パラメータ化量子回路を用いた量子機械学習モデルについて検討する。 深層量子回路のパラメータは、トレーニング中に初期値からあまり移動しないことがわかった。 このような深い変動量子機械学習は、別の創発的カーネルである量子タンジェントカーネルによって記述することができる。
  論文  参考訳（メタデータ） (2021-11-04T15:38:52Z)
• 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。