論文の概要: Quantum Boltzmann Machines: Applications in Quantitative Finance
- arxiv url: http://arxiv.org/abs/2301.13295v1
- Date: Mon, 30 Jan 2023 21:25:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 18:28:16.873711
- Title: Quantum Boltzmann Machines: Applications in Quantitative Finance
- Title（参考訳）: 量子ボルツマンマシン:量的金融への応用
- Authors: Cameron Perot
- Abstract要約: D-Wave Advantage 4.1 quantum annealer to sample from quantum Boltzmann distributions and train quantum Boltzmann machines (QBMs)。
以上の結果から,Advantage 4.1を用いてトレーニングしたQBMは,シミュレーションを用いてトレーニングしたQBMよりもノイズが大きいことが示唆された。
将来の世代アニールが望まれる理論分布に近いサンプルを生成することができれば、QBMは古典的RBMを上回る可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this thesis we explore using the D-Wave Advantage 4.1 quantum annealer to
sample from quantum Boltzmann distributions and train quantum Boltzmann
machines (QBMs). We focus on the real-world problem of using QBMs as generative
models to produce synthetic foreign exchange market data and analyze how the
results stack up against classical models based on restricted Boltzmann
machines (RBMs). Additionally, we study a small 12-qubit problem which we use
to compare samples obtained from the Advantage 4.1 with theory, and in the
process gain vital insights into how well the Advantage 4.1 can sample quantum
Boltzmann random variables and be used to train QBMs. Through this, we are able
to show that the Advantage 4.1 can sample classical Boltzmann random variables
to some extent, but is limited in its ability to sample from quantum Boltzmann
distributions. Our findings indicate that QBMs trained using the Advantage 4.1
are much noisier than those trained using simulations and struggle to perform
at the same level as classical RBMs. However, there is the potential for QBMs
to outperform classical RBMs if future generation annealers can generate
samples closer to the desired theoretical distributions.
- Abstract（参考訳）: この論文では、D-Wave Advantage 4.1 量子アニールを用いて量子ボルツマン分布からサンプルを取得し、量子ボルツマンマシン(QBM)を訓練する。
本稿では,QBMを生成モデルとして使用して合成外国為替市場データを生成し,制限されたボルツマンマシン(RBM)に基づく古典的モデルに対してどのように積み上げられたかを分析する。
さらに、我々はAdvantage 4.1から得られたサンプルを理論と比較するために使用する12量子ビットの小さな問題を研究し、その過程でAdvantage 4.1が量子ボルツマン確率変数をいかにうまくサンプリングし、QBMの訓練に利用できるかについて重要な洞察を得る。
これにより、4.1の利点は古典的ボルツマン確率変数をある程度サンプリングできるが、量子ボルツマン分布からサンプルできる能力は限られていることを示すことができる。
以上の結果から,Advantage 4.1を用いてトレーニングしたQBMは,シミュレーションを用いてトレーニングしたQBMよりもノイズが大きいことが示唆された。
しかし、将来の世代アニールが望まれる理論分布に近いサンプルを生成することができれば、QBMは古典的RBMを上回る可能性がある。
関連論文リスト
- BNEM: A Boltzmann Sampler Based on Bootstrapped Noised Energy Matching [29.531531253864753]
ボルツマン分布からサンプリングしたデータの代わりにエネルギー関数を与えられたニューラルサンプリングを学習する。
本稿では, 拡散型サンプリング装置であるノイズエネルギーマッチングを提案し, 理論的には分散度を低くし, 複雑さを増す。
実験の結果,BNEMはより堅牢でありながら最先端の性能を達成できることが示された。
論文 参考訳（メタデータ） (2024-09-15T16:41:30Z) - Training Quantum Boltzmann Machines with the $β$-Variational Quantum Eigensolver [0.3670008893193884]
量子ボルツマンマシン(Quantum Boltzmann machine, QBM)は、古典的データと量子状態の両方に対する生成機械学習モデルである。
我々は,$beta$-VQEで得られる低ランク表現が,低ランクターゲット状態の学習に有効な方法であることを示す。
物理量子デバイス上でのトレーニングモデルを実装した。
論文 参考訳（メタデータ） (2023-04-17T21:56:52Z) - A hybrid quantum-classical approach for inference on restricted
Boltzmann machines [1.0928470926399563]
ボルツマンマシンは多くの実世界のアプリケーションを持つ強力な機械学習モデルである。
ボルツマンマシンの統計的推測はその後部分布からサンプリングすることで行うことができる。
量子コンピュータは、いくつかの非自明な問題を効率的に解くことを約束している。
論文 参考訳（メタデータ） (2023-03-31T11:10:31Z) - 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) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Do Quantum Circuit Born Machines Generalize? [58.720142291102135]
本稿では,量子生成モデルの積分評価指標としてQCBMの一般化性能を示す文献で最初に紹介する。
そこで本研究では,QCBMがデータセットの再重み付けを効果的に学習し,未確認のサンプルをトレーニングセットよりも高い品質で生成可能であることを示す。
論文 参考訳（メタデータ） (2022-07-27T17:06:34Z) - 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) - Learnability of the output distributions of local quantum circuits [53.17490581210575]
2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。
我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。
より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
論文 参考訳（メタデータ） (2021-10-11T18:00:20Z) - Assessment of image generation by quantum annealer [0.0]
量子アニールは、イジングスピングラス問題の高速サンプリングとしても機能する。
本研究では,生成モデルとしての量子アニールの性能に着目した。
論文 参考訳（メタデータ） (2021-03-15T13:24:05Z) - Defence against adversarial attacks using classical and quantum-enhanced
Boltzmann machines [64.62510681492994]
生成モデルはデータセットの基盤となる分布を学習し、それらは本質的に小さな摂動に対してより堅牢である。
MNISTデータセット上のBoltzmannマシンによる攻撃に対して、5%から72%の改良が見られる。
論文 参考訳（メタデータ） (2020-12-21T19:00:03Z) - Generative and discriminative training of Boltzmann machine through
Quantum annealing [0.0]
ボルツマンマシン(BM)を学習するためのハイブリッド量子古典法について述べる。
BM学習のコスト関数は、Kulback-Leibler(KL)の発散と負条件付きログライクリーフ(NCLL)の重み付け和として定義される。
ニュートン・ラフソン最適化スキームについて述べる。
論文 参考訳（メタデータ） (2020-02-03T14:41:52Z)
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。