論文の概要: Implementation and Learning of Quantum Hidden Markov Models
- arxiv url: http://arxiv.org/abs/2212.03796v2
- Date: Thu, 6 Jul 2023 17:14:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 18:08:16.421352
- Title: Implementation and Learning of Quantum Hidden Markov Models
- Title(参考訳): 量子隠れマルコフモデルの実装と学習
- Authors: Vanio Markov, Vladimir Rastunkov, Amol Deshmukh, Daniel Fry, Charlee
Stefanski
- Abstract要約: 量子チャネルの理論とオープン量子システムを用いて、量子隠れマルコフモデル(QHMM)として知られるジェネレータのクラスの効率的なユニタリ特性を提供する。
従来の隠れマルコフモデル(HMM)と比較すると,QHMMはプロセス言語のより効率的な定義であることが証明されている。
本稿では,QHMMのための2つの実践的学習アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article we use the theory of quantum channels and open quantum
systems to provide an efficient unitary characterization of a class of
stochastic generators known as quantum hidden Markov models (QHMMs). By
utilizing the unitary characterization, we demonstrate that any QHMM can be
implemented as a quantum circuit with mid-circuit measurement. We prove that
QHMMs are more efficient definitions of stochastic process languages compared
to the equivalent classical hidden Markov Models (HMMs). Starting with the
formulation of QHMMs as quantum channels, we employ Stinespring's construction
to represent these models as unitary quantum circuits with mid-circuit
measurement. By utilizing the unitary parameterization of QHMMs, we define a
formal QHMM learning model. The model formalizes the empirical distributions of
target stochastic process languages, defines hypothesis space of quantum
circuits, and introduces an empirical stochastic divergence measure -
hypothesis fitness - as a success criterion for learning. We demonstrate that
the learning model has a smooth search landscape due to the continuity of
Stinespring's dilation. The smooth mapping between the hypothesis and fitness
spaces enables the development of efficient heuristic and gradient descent
learning algorithms.
We propose two practical learning algorithms for QHMMs. The first algorithm
is a hyperparameter-adaptive evolutionary search. The second algorithm learns
the QHMM as a quantum ansatz circuit using a multi-parameter non-linear
optimization technique.
- Abstract(参考訳): 本稿では、量子チャネルとオープン量子システムの理論を用いて、量子隠れマルコフモデル(QHMM)として知られる確率的生成系の効率的なユニタリ特性を提供する。
ユニタリ・キャラクタリゼーションを利用して、任意のQHMMを中間回路計測による量子回路として実装できることを実証する。
従来の隠れマルコフモデル (HMM) と比較して, QHMM は確率過程言語のより効率的な定義であることを示す。
QHMMを量子チャネルとして定式化することから始め、Stinespring の構成を用いて、これらのモデルを中間回路測定によるユニタリ量子回路として表現する。
QHMMの単位パラメータ化を利用して,形式的QHMM学習モデルを定義する。
このモデルは、対象の確率過程言語の経験的分布を定式化し、量子回路の仮説空間を定義し、学習の成功基準として経験的確率的発散測度ハイポテーゼ適合性を導入する。
学習モデルは,Stinespringの拡張の連続性により,スムーズな探索環境を有することを示す。
仮説と適合空間の滑らかなマッピングは、効率的なヒューリスティックおよび勾配降下学習アルゴリズムの開発を可能にする。
本稿では,QHMMのための2つの実践的学習アルゴリズムを提案する。
最初のアルゴリズムはハイパーパラメータ適応進化探索である。
第2のアルゴリズムは、マルチパラメータ非線形最適化手法を用いてqhmmを量子アンサッツ回路として学習する。
関連論文リスト
- 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) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:23:21Z) - A new quantum machine learning algorithm: split hidden quantum Markov
model inspired by quantum conditional master equation [14.978135681940387]
隠れ量子マルコフプロセスを実装するための分割HQMM(SHQMM)を提案する。
実験結果から,本モデルはアプリケーションの範囲やロバスト性において,従来のモデルよりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-07-17T16:55:26Z) - Variational Quantum Algorithms for Simulation of Lindblad Dynamics [0.0]
時間発展型マルコフ開量子系と量子可観測器に対するリンドブラッドマスター方程式とその共役をシミュレートする変動型ハイブリッド古典量子アルゴリズムを提案する。
我々は、解のユニタリおよび非ユニタリダイナミクスを効率的に捕捉する低深さ変動量子回路を設計し、最適化する。
論文 参考訳(メタデータ) (2023-05-04T13:25:44Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-14T08:03:20Z) - Provably efficient variational generative modeling of quantum many-body
systems via quantum-probabilistic information geometry [3.5097082077065003]
パラメータ化混合状態に対する量子自然勾配降下の一般化を導入する。
また、堅牢な一階近似アルゴリズム、Quantum-Probabilistic Mirror Descentを提供する。
我々のアプローチは、モデル選択における柔軟性を実現するために、それまでのサンプル効率の手法を拡張しました。
論文 参考訳(メタデータ) (2022-06-09T17:58:15Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Quantum agents in the Gym: a variational quantum algorithm for deep
Q-learning [0.0]
本稿では、離散的かつ連続的な状態空間に対するRLタスクを解くために使用できるパラメタライズド量子回路(PQC)のトレーニング手法を提案する。
量子Q学習エージェントのどのアーキテクチャ選択が、特定の種類の環境をうまく解決するのに最も重要であるかを検討する。
論文 参考訳(メタデータ) (2021-03-28T08:57:22Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳(メタデータ) (2021-03-12T20:58:41Z) - Chaos and Complexity from Quantum Neural Network: A study with Diffusion
Metric in Machine Learning [0.0]
量子ニューラルネットワーク(QNN)の機械学習力学における量子カオス現象と複雑性について検討する。
統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
論文 参考訳(メタデータ) (2020-11-16T10:41:47Z) - Quantum-optimal-control-inspired ansatz for variational quantum
algorithms [105.54048699217668]
変分量子アルゴリズム (VQA) の中心成分は状態準備回路(英語版)であり、アンザッツ(英語版)または変分形式(英語版)とも呼ばれる。
ここでは、対称性を破るユニタリを組み込んだ「解」を導入することで、このアプローチが必ずしも有利であるとは限らないことを示す。
この研究は、より一般的な対称性を破るアンスの開発に向けた第一歩となり、物理学や化学問題への応用に繋がる。
論文 参考訳(メタデータ) (2020-08-03T18:00:05Z)
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。