論文の概要: MAQA: A Quantum Framework for Supervised Learning
- arxiv url: http://arxiv.org/abs/2303.11028v1
- Date: Mon, 20 Mar 2023 11:18:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 15:55:50.766966
- Title: MAQA: A Quantum Framework for Supervised Learning
- Title（参考訳）: MAQA: 教師付き学習のための量子フレームワーク
- Authors: Antonio Macaluso, Matthias Klusch, Stefano Lodi, Claudio Sartori
- Abstract要約: 本研究は,古典的教師付き機械学習アルゴリズムの多元的出力を再現可能な,普遍的で効率的なフレームワークを提案する。
提案するフレームワークは,多機能および多機能の組み合わせにより,Multiple Aggregator Quantum Algorithm (MAQA) と名付けられた。
2つ目の重要な追加として、提案フレームワークをハイブリッド量子古典およびフォールトトレラント量子アルゴリズムとして採用することについて議論する。
- 参考スコア（独自算出の注目度）: 2.064612766965483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Machine Learning has the potential to improve traditional machine
learning methods and overcome some of the main limitations imposed by the
classical computing paradigm. However, the practical advantages of using
quantum resources to solve pattern recognition tasks are still to be
demonstrated.
This work proposes a universal, efficient framework that can reproduce the
output of a plethora of classical supervised machine learning algorithms
exploiting quantum computation's advantages. The proposed framework is named
Multiple Aggregator Quantum Algorithm (MAQA) due to its capability to combine
multiple and diverse functions to solve typical supervised learning problems.
In its general formulation, MAQA can be potentially adopted as the quantum
counterpart of all those models falling into the scheme of aggregation of
multiple functions, such as ensemble algorithms and neural networks. From a
computational point of view, the proposed framework allows generating an
exponentially large number of different transformations of the input at the
cost of increasing the depth of the corresponding quantum circuit linearly.
Thus, MAQA produces a model with substantial descriptive power to broaden the
horizon of possible applications of quantum machine learning with a
computational advantage over classical methods. As a second meaningful
addition, we discuss the adoption of the proposed framework as hybrid
quantum-classical and fault-tolerant quantum algorithm.
- Abstract（参考訳）: 量子機械学習は、従来の機械学習手法を改善し、古典的コンピューティングパラダイムによって課される主な制限を克服する可能性を秘めている。
しかし, 量子資源を用いたパターン認識課題の実用的利点はまだ実証されていない。
この研究は、量子計算の利点を生かした古典的教師付き機械学習アルゴリズムの多元的出力を再現できる普遍的で効率的なフレームワークを提案する。
提案するフレームワークは、複数の多様な関数を組み合わせ、一般的な教師付き学習問題を解く能力から、Multiple Aggregator Quantum Algorithm (MAQA) と名付けられた。
一般的な定式化において、MAQAは、アンサンブルアルゴリズムやニューラルネットワークなど、複数の関数のアグリゲーションのスキームに該当する全てのモデルの量子対として採用することができる。
計算的観点から、提案フレームワークは、対応する量子回路の深さを線形に増加させるコストで、指数的に多数の異なる入力変換を生成することができる。
したがって、MAQAは、古典的手法よりも計算上の優位性を持つ量子機械学習の応用の可能性の地平を広げるために、かなりの記述力を持つモデルを生成する。
第2の意義ある追加として,提案手法をハイブリッド量子古典型およびフォールトトレラント量子アルゴリズムとして採用することを検討する。
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) - Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。
QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
論文 参考訳（メタデータ） (2024-05-18T14:35:57Z) - Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。
小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
論文 参考訳（メタデータ） (2024-04-01T20:55:03Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Quantum Algorithm Cards: Streamlining the development of hybrid
classical-quantum applications [0.0]
量子コンピューティングの出現は、多くの科学と産業の応用領域を根本的に変換できる革命的パラダイムを提案する。
量子コンピュータが計算をスケールする能力は、現在のコンピュータが提供しているものよりも、特定のアルゴリズムタスクのパフォーマンスと効率が向上することを意味している。
このような改善の恩恵を得るためには、量子コンピュータは既存のソフトウェアシステムと統合されなければならない。
論文 参考訳（メタデータ） (2023-10-04T06:02:59Z) - Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。
提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文 参考訳（メタデータ） (2023-04-18T11:57:15Z) - Explainable Quantum Machine Learning [0.7046417074932257]
人工知能(AI)や特に機械学習(ML)の手法は、これまで以上に複雑になってきている。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善が進行中である。
論文 参考訳（メタデータ） (2023-01-22T15:17:12Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - Quantum Machine Learning For Classical Data [0.0]
量子コンピューティングと教師付き機械学習アルゴリズムの交差について研究する。
特に,教師付き機械学習アルゴリズムの高速化に量子コンピュータがどの程度使えるかを検討する。
論文 参考訳（メタデータ） (2021-05-08T12:11:44Z) - Electronic structure with direct diagonalization on a D-Wave quantum
annealer [62.997667081978825]
本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。
そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
論文 参考訳（メタデータ） (2020-09-02T22:46:47Z)
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。