論文の概要: Ensemble-learning variational shallow-circuit quantum classifiers

• arxiv url: http://arxiv.org/abs/2301.12707v1
• Date: Mon, 30 Jan 2023 07:26:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 15:25:49.837986
• Title: Ensemble-learning variational shallow-circuit quantum classifiers
• Title（参考訳）: アンサンブル学習型浅回路量子分類器
• Authors: Qingyu Li, Yuhan Huang, Xiaokai Hou, Ying Li, Xiaoting Wang, Abolfazl Bayat
• Abstract要約: 本稿では,ブートストラップ集約と適応的ブースティングという,アンサンブル学習の2つの手法を提案する。 これらのプロトコルは古典的な手書き数字や対称性で保護されたトポロジカルハミルトニアンの量子位相の識別のために例示されている。
• 参考スコア（独自算出の注目度）: 4.104704267247209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classification is one of the main applications of supervised learning. Recent advancement in developing quantum computers has opened a new possibility for machine learning on such machines. However, due to the noisy performance of near-term quantum computers, we desire an approach for solving classification problems with only shallow circuits. Here, we propose two ensemble-learning classification methods, namely bootstrap aggregating and adaptive boosting, which can significantly enhance the performance of variational quantum classifiers for both classical and quantum datasets. The idea is to combine several weak classifiers, each implemented on a shallow noisy quantum circuit, to make a strong one with high accuracy. While both of our protocols substantially outperform error-mitigated primitive classifiers, the adaptive boosting shows better performance than the bootstrap aggregating. In addition, its training error decays exponentially with the number of classifiers, leading to a favorable complexity for practical realization. The protocols have been exemplified for classical handwriting digits as well as quantum phase discrimination of a symmetry-protected topological Hamiltonian.
• Abstract（参考訳）: 分類は教師付き学習の主な応用の1つである。 量子コンピュータの最近の進歩は、そのようなマシン上での機械学習の新しい可能性を開いた。 しかし、短期量子コンピュータの雑音性能のため、浅い回路のみを用いて分類問題を解くためのアプローチが望まれる。 本稿では,古典的および量子的データセットに対する変分量子分類器の性能を大幅に向上させる,ブートストラップ集約と適応ブースティングの2つのアンサンブル学習分類法を提案する。 このアイデアはいくつかの弱い分類器を組み合わせることで、それぞれが浅いノイズ量子回路上に実装され、高い精度で強い分類を行う。 いずれのプロトコルもエラー軽減プリミティブ分類器よりも大幅に優れているが、適応的な高速化はブートストラップ集約よりも優れた性能を示している。 さらに、トレーニングエラーは分類器の数とともに指数関数的に減衰し、実用的な実現には好ましい複雑さをもたらす。 これらのプロトコルは古典的な手書き数字や対称性で保護されたトポロジカルハミルトニアンの量子位相の識別のために例示されている。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Supervised Learning Guarantee for Quantum AdaBoost [7.473180902609473]
  ノイズの多い中間スケール量子(NISQ)時代には、変分量子アルゴリズムは量子回路の量子ビット数の制限と浅い深さのために制約される。 本稿では,量子適応ブースティング(AdaBoost)の学習保証を理論的に確立し,数値的に検証する。 我々の研究は、現在のNISQ時代において、適切なアンサンブル法を導入することは、量子機械学習アルゴリズムの性能向上に特に有用であることを示している。
  論文  参考訳（メタデータ） (2024-02-04T07:18:44Z)
• Ensembles of Quantum Classifiers [0.0]
  量子分類アルゴリズムの実行に有効なアプローチは、アンサンブル法の導入である。 本稿では,二項分類のための量子分類器のアンサンブルの実装と実証評価について述べる。
  論文  参考訳（メタデータ） (2023-11-16T10:27:25Z)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• A hybrid quantum-classical classifier based on branching multi-scale entanglement renormalization ansatz [5.548873288570182]
  本稿では,ラベル伝搬に基づく量子半教師付き分類器を提案する。 グラフ構築の難しさを考慮し,変分量子ラベル伝搬法(VQLP)を開発した。 本手法では、最適化に必要なパラメータを減らすために、局所パラメータ化量子回路を作成する。
  論文  参考訳（メタデータ） (2023-03-14T13:46:45Z)
• Classical Ensembles of Single-Qubit Quantum Variational Circuits for Classification [0.0]
  近年,量子普遍多機能アーキテクチャ (QAUM) を導入し, パルサー星の分類における表現性と性能の向上を示した。 本研究は,古典的なバギングとブースティング技術を用いた単一量子QAUM分類器の設計,実装,評価について報告する。
  論文  参考訳（メタデータ） (2023-02-06T17:51:47Z)
• 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)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• Facial Expression Recognition on a Quantum Computer [68.8204255655161]
  量子機械学習手法を用いて表情認識の可能な解を示す。 適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
  論文  参考訳（メタデータ） (2021-02-09T13:48:00Z)
• Quantum Machine Learning for Particle Physics using a Variational Quantum Classifier [0.0]
  本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。 このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
  論文  参考訳（メタデータ） (2020-10-14T18:05:49Z)

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。