論文の概要: A performance characterization of quantum generative models

• arxiv url: http://arxiv.org/abs/2301.09363v2
• Date: Thu, 26 Jan 2023 08:07:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 15:24:09.299044
• Title: A performance characterization of quantum generative models
• Title（参考訳）: 量子生成モデルの性能評価
• Authors: Carlos A. Riofr\'io, Oliver Mitevski, Caitlin Jones, Florian Krellner, Aleksandar Vu\v{c}kovi\'c, Joseph Doetsch, Johannes Klepsch, Thomas Ehmer, and Andre Luckow
• Abstract要約: 量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
• 参考スコア（独自算出の注目度）: 47.187609203210705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum generative modeling is a growing area of interest for industry-relevant applications. With the field still in its infancy, there are many competing techniques. This work is an attempt to systematically compare a broad range of these techniques to guide quantum computing practitioners when deciding which models and techniques to use in their applications. We compare fundamentally different architectural ansatzes of parametric quantum circuits used for quantum generative modeling: 1. A continuous architecture, which produces continuous-valued data samples, and 2. a discrete architecture, which samples on a discrete grid. We compare the performance of different data transformations: normalization by the min-max transform or by the probability integral transform. We learn the underlying probability distribution of the data sets via two popular training methods: 1. quantum circuit Born machines (QCBM), and 2. quantum generative adversarial networks (QGAN). We study their performance and trade-offs as the number of model parameters increases, with the baseline of similarly trained classical neural networks. The study is performed on six low-dimensional synthetic and two real financial data sets. Our two key findings are that: 1. For all data sets, our quantum models require similar or fewer parameters than their classical counterparts. In the extreme case, the quantum models require two of orders of magnitude less parameters. 2. We empirically find that a variant of the discrete architecture, which learns the copula of the probability distribution, outperforms all other methods.
• Abstract（参考訳）: 量子生成モデリングは、産業関連アプリケーションへの関心が高まっている。 この分野はまだ初期段階にあり、多くの競合する技術がある。 この研究は、量子コンピューティングの実践者がどのモデルやテクニックをアプリケーションで使うかを決める際に、幅広い手法を体系的に比較する試みである。 量子生成モデリングに使用されるパラメトリック量子回路のアーキテクチャ上の要点を比較する。 1.連続的なデータサンプルを生成する連続的なアーキテクチャ 2. 離散格子上でサンプルを行う離散アーキテクチャ。 異なるデータ変換の性能を比較する: min-max変換による正規化や確率積分変換。 2つの一般的なトレーニング手法により、データセットの基盤となる確率分布を学習する。 1.量子回路ボルンマシン(QCBM)、及び 2.量子生成敵ネットワーク(QGAN) モデルパラメータの数が増えるにつれて、同様の訓練を受けた古典的ニューラルネットワークのベースラインとともに、それらのパフォーマンスとトレードオフを調査した。 この研究は6つの低次元合成と2つの実財務データに対して行われた。 私たちの2つの重要な発見は 1.すべてのデータセットに対して、我々の量子モデルは、古典的パラメータよりも類似または少ないパラメータを必要とする。 極端な場合、量子モデルは桁違いのパラメータを2つ必要とします。 2) 確率分布のコプラを学習する離散アーキテクチャの変種が, 他の手法よりも優れていることを実証的に見出した。

関連論文リスト

• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Tensor Networks or Decision Diagrams? Guidelines for Classical Quantum Circuit Simulation [65.93830818469833]
  テンソルネットワークと決定図は、異なる視点、用語、背景を念頭に、独立して開発されている。 これらの手法が古典的量子回路シミュレーションにどのようにアプローチするかを考察し、最も適用可能な抽象化レベルに関してそれらの相似性を考察する。 量子回路シミュレーションにおいて,テンソルネットワークの使い勝手の向上と決定図の使い勝手の向上に関するガイドラインを提供する。
  論文  参考訳（メタデータ） (2023-02-13T19:00:00Z)
• 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)
• Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
  コプラは、合同確率分布をモデル化するための数学的ツールである。 コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。 シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2022-06-23T18:39:30Z)
• 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)
• A tensor network discriminator architecture for classification of quantum data on quantum computers [0.0]
  ホログラフィックアルゴリズムを用いて量子コンピュータ上での量子データを識別するために,行列積状態(MPS)モデルを用いることを実証する。 結合4MPSをモデルとしたエンタングル入力データを用いて,QuantinuumのH1-2トラップイオン量子コンピュータのモデルについて実験的に評価した。
  論文  参考訳（メタデータ） (2022-02-22T14:19:42Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)

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。