論文の概要: Variational Quantum Eigensolver for Classification in Credit Sales Risk

• arxiv url: http://arxiv.org/abs/2303.02797v1
• Date: Sun, 5 Mar 2023 23:08:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 17:49:34.064800
• Title: Variational Quantum Eigensolver for Classification in Credit Sales Risk
• Title（参考訳）: 信用販売リスクの分類のための変量量子固有解法
• Authors: Joanna Wi\'sniewska, Marek Sawerwain
• Abstract要約: 分類タスクは変分量子固有解法(VQE)アプローチによって実現される。 データ正規化の2段階のプロセスについて,各観測結果を量子状態として記述する。 この解はコンパクトであり、対数的に増加するキュービット数だけを必要とする。
• 参考スコア（独自算出の注目度）: 3.04585143845864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, a classification task is realized by the Variational Quantum Eigensolver (VQE) approach. A decision situation concerns issuing commodities in the process of credit sales -- at some point a client's history may be analyzed by debt department's employee to check if the goods issuing should not be stopped due to the risk of fraud (bivalent classification). As in the classical machine learning, the data should be normalized. We describe the two-step process of data normalization to write each observation as a quantum state. The VQE approach allows training the parameters of a quantum circuit (so-called ansatz) to output pattern-states for each class. Observations are categorized to classes with the use of the SWAP-test. The obtained solution is compact and requires only logarithmically increasing number of qubits (due to the exponential capacity of quantum registers) -- we also present alternative classical solutions which, in fact, are quite complex. All calculations, plots, and comparisons were implemented and conduced in Python language environment. Source codes of the simulations for individual examples of quantum classification can be found in the source code repository. The version of a simulator directly used in the article is in the Zenodo version of the source code.
• Abstract（参考訳）: 本研究では,変分量子固有解法(VQE)を用いて分類タスクを実現する。 信用販売の過程で商品を発行する決定状況 - ある時点では、顧客の歴史を債務部の従業員によって分析し、詐欺(二分分類)のリスクにより発行する商品を停止すべきかどうかを確認する。 古典的な機械学習と同様に、データは正規化されるべきである。 データ正規化の2段階のプロセスについて,各観測結果を量子状態として記述する。 VQEアプローチでは、量子回路(いわゆるアンサッツ)のパラメータをトレーニングして、各クラスのパターンステートを出力することができる。 観察はSWAPテストを使用したクラスに分類される。 得られた解はコンパクトであり、(量子レジスタの指数的な容量のため)対数的に増加する量子ビットだけを必要とする。 計算、プロット、比較はすべてpython言語環境で実装され、考案された。 量子分類の個々の例のシミュレーションのソースコードは、ソースコードリポジトリで見ることができる。 この記事で直接使用されるシミュレータのバージョンは、ソースコードのZenodoバージョンにある。

関連論文リスト

• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Quantum Circuit Learning on NISQ Hardware [0.0]
  現在の量子コンピュータは小さく、エラーを起こしやすいシステムである。 フォールトトレラントな量子コンピュータは近い将来は利用できない。 我々は,IBM量子コンピュータ上で最大3キュービットのQCL回路が実行可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-03T13:00:32Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• MORE: Measurement and Correlation Based Variational Quantum Circuit for Multi-classification [10.969833959443495]
  MOREは、測定と相関に基づく変分量子多重分類器の略である。 我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
  論文  参考訳（メタデータ） (2023-07-21T19:33:10Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Schrödinger as a Quantum Programmer: Estimating Entanglement via Steering [3.187381965457262]
  我々は、量子ステアリング効果を用いて、一般的な二部状態の分離性をテストし、定量化する量子アルゴリズムを開発した。 我々の発見は、ステアリング、絡み合い、量子アルゴリズム、量子計算複雑性理論の間の有意義な関係を提供する。
  論文  参考訳（メタデータ） (2023-03-14T13:55:06Z)
• Delegated variational quantum algorithms based on quantum homomorphic encryption [69.50567607858659]
  変分量子アルゴリズム(VQA)は、量子デバイス上で量子アドバンテージを達成するための最も有望な候補の1つである。 クライアントのプライベートデータは、そのような量子クラウドモデルで量子サーバにリークされる可能性がある。 量子サーバが暗号化データを計算するための新しい量子ホモモルフィック暗号(QHE)スキームが構築されている。
  論文  参考訳（メタデータ） (2023-01-25T07:00:13Z)
• Multi-class quantum classifiers with tensor network circuits for quantum phase recognition [0.0]
  ネットワークにインスパイアされた回路は、変分量子固有解回路の自然な選択として提案されている。 本稿では,ツリーテンソルネットワークとマルチスケール再正規化アンサッツ回路に基づくマルチクラスの絡み合いに関する数値実験を行う。
  論文  参考訳（メタデータ） (2021-10-15T21:55:13Z)
• VQE Method: A Short Survey and Recent Developments [5.9640499950316945]
  変分量子固有解法(VQE)は、ハミルトニアンの固有値と固有値を見つけるためにハイブリッド量子古典計算法を用いる方法である。 VQEは、様々な小さな分子に対する電子的シュリンガー方程式の解法に成功している。 現代の量子コンピュータは、現在利用可能なアンサツェを用いて生成されたディープ量子回路を実行することができない。
  論文  参考訳（メタデータ） (2021-03-15T16:25:36Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)

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。