Fugu-MT 論文翻訳(概要): Fourier series weight in quantum machine learning

論文の概要: Fourier series weight in quantum machine learning

arxiv url: http://arxiv.org/abs/2302.00105v2
Date: Mon, 26 Feb 2024 17:24:29 GMT
ステータス: 処理完了
システム内更新日: 2024-02-29 01:04:35.965656
Title: Fourier series weight in quantum machine learning
Title（参考訳）: 量子機械学習におけるフーリエ級数重み
Authors: Parfait Atchade-Adelomou and Kent Larson
Abstract要約: この目的を達成するために、モデル、テスト、デモを提案します。我々はハミルトニアン符号化を利用した量子機械学習を設計した。我々はPennylaneフレームワークを使って提案されたモデルをすべて実行し、テストした。
参考スコア（独自算出の注目度）: 2.179493184917471
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we aim to confirm the impact of the Fourier series on the quantum machine learning model. We will propose models, tests, and demonstrations to achieve this objective. We designed a quantum machine learning leveraged on the Hamiltonian encoding. With a subtle change, we performed the trigonometric interpolation, binary and multiclass classifier, and a quantum signal processing application. We also proposed a block diagram of determining approximately the Fourier coefficient based on quantum machine learning. We performed and tested all the proposed models using the Pennylane framework.
Abstract（参考訳）: 本研究では,量子機械学習モデルにおけるフーリエ級数の影響を確認することを目的とする。この目的を達成するために、モデル、テスト、デモを提案します。我々はハミルトニアン符号化を利用した量子機械学習を設計した。微妙な変化により、三角法補間、二分法および多クラス分類器、および量子信号処理アプリケーションを実行した。また,量子機械学習に基づいてフーリエ係数を近似的に決定するブロック図を提案した。提案するすべてのモデルをpennylaneフレームワークを使って実行し,テストした。

関連論文リスト

Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
本稿では,量子情報処理の導入について紹介する。量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
論文参考訳（メタデータ） (2024-05-31T16:43:20Z)
Measurement-based quantum machine learning [0.0]
量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークの概念を量子データのための量子モデルに拡張するオブジェクトである。マルチトライアングルアンサッツ (MuTA) と呼ぶこのフレームワークで普遍的なQNNを提案する。
論文参考訳（メタデータ） (2024-05-14T05:17:01Z)
Constrained and Vanishing Expressivity of Quantum Fourier Models [2.7746258981078196]
量子モデルのフーリエ係数と符号化ゲートとの新たな相関関係を示す。また、特定の設定で表現性を消滅させる現象を示す。これらの2つの挙動は、PQCの表現性を制限する新しい形式の制約を暗示する。
論文参考訳（メタデータ） (2024-03-14T14:05:24Z)
Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文参考訳（メタデータ） (2023-06-29T18:00:01Z)
TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文参考訳（メタデータ） (2023-01-13T09:35:05Z)
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)
Kernel-based quantum regressor models learn non-Markovianity [0.0]
カーネルベースの量子機械学習モデルはパラダイム的な例である。カーネルが手元にある場合、学習プロセスには通常の機械学習モデルが使用される。我々のモデルは、完全に古典的なモデルに匹敵する正確な予測を提供する。
論文参考訳（メタデータ） (2022-09-23T15:36:15Z)
Programmable Hamiltonian engineering with quadratic quantum Fourier transform [8.261869047984895]
光格子に閉じ込められたコールド原子を考慮した2次量子フーリエ変換(QQFT)のプロトコルを提案する。この QQFT は単粒子部分空間において QFT と等価であり、ヒルベルト空間全体において異なるユニタリ演算を生成する。このQQFTプロトコルは,最近開発されたディジタル・マイクロミラー・デバイス技術を用いて,プログラム可能なレーザー電位を用いて実装可能であることを示す。
論文参考訳（メタデータ） (2022-04-09T03:36:40Z)
Variational Quantum Policy Gradients with an Application to Quantum Control [0.0]
量子機械学習モデルは、変分量子回路(VQC)によって非常に自然な方法で構成される。本研究では,ハードウェア効率のよいアザッツを用いたポリシグラディエンスについて考察する。量子ハードウェアを用いた勾配のエプシロン近似を求める複雑さは、パラメータの数と対数的にしか比較できないことを証明した。
論文参考訳（メタデータ） (2022-03-20T16:14:49Z)
Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。